DiffusersがStable Diffusion 3 Mediumを発表
Diffusers welcomes Stable Diffusion 3
Hugging FaceのDiffusersライブラリが、パラメータ数2BのStable Diffusion 3 Mediumを発表した。このモデルは、3つの異なるテキストエンコーダー(CLIP L/14、OpenCLIP bigG/14、T5-v1.1-XXL)、新しいMultimodal Diffusion Transformer (MMDiT) モデル、およびStable Diffusion XLで使用されているものに類似した16チャンネルのAutoEncoderモデルで構成されている。SD3は、テキスト入力とピクセル潜在変数を埋め込みのシーケンスとして処理し、MMDiTブロックに供給する。メモリ使用量を削減するため、CPUオフロード、T5-XXLテキストエンコーダーの削除、または8ビット量子化といった最適化手法が提供されている。また、`torch.compile()`を使用した推論の高速化も可能で、これにより平均推論時間が4倍短縮される。さらに、LoRAを用いたDreamBoothファインチューニングスクリプトも提供されている。
- Hugging FaceのDiffusersライブラリがStable Diffusion 3 Medium(2Bパラメータ)を発表
Hugging Faceが提供するDiffusersライブラリがStable Diffusion 3 Medium(2Bパラメータ)を公式サポートしたことは、画像生成AIの民主化とOSSエコシステムの拡大を象徴する。3種類のテキストエンコーダやMMDiTという新アーキテクチャの採用はモデル品質の向上に寄与し、LoRAによるファインチューニングやCPUオフロード・量子化といった実運用上の最適化が同時に提供されている点が実用的価値を高める。推論の4倍高速化(torch.compile対応)はクラウド/エッジ双方でのコスト削減に直結するため、AIアプリケーション開発企業やGPUリソース提供事業者にとっては競争力に影響する技術トレンドである。