Что такое диффузионная модель

Простыми словами

Представьте старый телевизор без сигнала: экран в серой ряби. Теперь представьте реставратора, который смотрит на эту рябь и по чуть-чуть стирает лишнее, пока не проступит кот в шляпе. Причём кота он видит только потому, что вы ему этого кота описали.

Так и работает диффузионная модель. Она стартует со случайного шума и за несколько десятков шагов «очищает» его, каждый раз чуть приближая картинку к вашему описанию. Учили её наоборот: брали миллионы изображений, постепенно портили их шумом и заставляли модель угадывать, как вернуть всё назад. Когда она научилась хорошо «отмывать» картинки, ей можно подсунуть чистый шум и попросить отмыть из него что-то новое.

Это один из главных подходов внутри генеративного ИИ, особенно для картинок и видео.

Где это встречается на практике

Самый наглядный пример - Midjourney. Пока идёт генерация, превью сначала похоже на акварельные пятна, а потом резко набирает детали. Это вы буквально наблюдаете шаги очистки шума.

Диффузия стоит за многими известными генераторами: Stable Diffusion, Flux, Kandinsky от Сбера (его рисунки вы видите, когда просите картинку в GigaChat). Видеомодели тоже часто устроены похоже, только шум убирается сразу из серии кадров. В Krea собраны десятки таких моделей в одном окне, удобно сравнить, как разные «реставраторы» рисуют один и тот же промпт.

Отсюда растут настройки, которые пугают новичков:

• Seed - номер стартового шума. Тот же seed плюс тот же промпт дают почти ту же картинку. В Midjourney это параметр --seed.
• Шаги (steps) - сколько раз модель чистит изображение. Обычно 20-50 хватает, дальше разница почти не видна, а ждать дольше.
• Guidance / CFG - насколько строго держаться промпта. Высокое значение даёт буквальность, но картинка может стать пережжённой.
• Негативный промпт - что убрать. В Midjourney для этого есть --no.

Почему генерация картинки дороже текстового ответа? Каждый шаг - это полный прогон модели по всему изображению. Поэтому в тарифах картинки и видео считают отдельно: «быстрые часы» в Midjourney, кредиты или юниты в Krea. Видео съедает лимит заметно быстрее, чем фото.

Ещё один плюс: многие диффузионные модели открытые, их можно запустить у себя на компьютере с хорошей видеокартой. Это и есть локальная модель, без подписки и лимитов, но с возней при настройке.

Типичная путаница

Миф первый: «ChatGPT тоже диффузия». Нет. Тексты в ChatGPT, Claude (Клод) и DeepSeek пишет языковая модель, которая подбирает ответ кусочками, слово за словом. Это другой механизм. Claude картинки вообще не генерирует, а в ChatGPT за изображения отвечает отдельная модель, и OpenAI описывает её устройство иначе, чем классическую диффузию. Существуют экспериментальные текстовые диффузионные модели, но в популярных чат-ботах на момент проверки основной текст пишут не они.

Миф второй: «нейросеть склеивает куски чужих картинок». Готовых картинок внутри модели нет. Она выучила закономерности: как падает свет, как выглядят руки, чем мех отличается от шерстяного свитера. Каждая картинка собирается с нуля из шума. Вопросы авторского права к обучающим данным при этом никуда не делись, но коллажем это не является.

Миф третий: «больше шагов - всегда лучше». На наш взгляд, крутить шаги до максимума обычно лишнее. Если картинка не та, честно говоря, проще поменять промпт или seed, чем ждать вдвое дольше.

Что запомнить

Диффузионная модель рисует, вычищая картинку из шума за много шагов. Так работают Midjourney, Stable Diffusion, Flux, Kandinsky и многие видеогенераторы. Чат-боты пишут тексты по другому принципу. Seed отвечает за стартовую точку, шаги за степень проработки, guidance за строгость следования промпту. Понравился результат - сохраните seed, и сможете аккуратно доработать именно эту картинку, а не начинать заново.