Stability AI เปิดตัว Stable Diffusion 3 Medium แบบโอเพนซอร์สอย่างเป็นทางการ

เมื่อวันที่ 12 มิถุนายน พ.ศ. 2567 Stability AI ได้เปิดตัวน้ำหนักโมเดล Stable Diffusion 3 Medium (SD3 Medium) อย่างเป็นทางการ โดยเผยแพร่แบบโอเพนซอร์สบน Hugging Face ภายใต้ "Stability AI Community License" ซึ่งสามารถดาวน์โหลดใช้งานได้ฟรีสำหรับวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์ พร้อมกันนี้ยังเปิดให้ใช้งานผ่าน API เชิงพาณิชย์บน Developer Platform ของบริษัทเอง รวมถึงแพลตฟอร์มบุคคลที่สามอย่าง Fireworks AI และ Replicate นับเป็นครั้งแรกที่ตระกูล SD3 เปิดให้สาธารณชนใช้งานจริง นับตั้งแต่เปิดให้ทดลองแบบรอคิว (early preview) เมื่อเดือนกุมภาพันธ์ที่ผ่านมา

SD3 Medium มีขนาดพารามิเตอร์ประมาณ 2 พันล้านตัว (2B) ใช้สถาปัตยกรรมใหม่ที่เรียกว่า "Multimodal Diffusion Transformer" (MMDiT) ซึ่งแตกต่างจาก U-Net ที่ Stable Diffusion XL รุ่นก่อนใช้ โดย MMDiT ให้ข้อมูลข้อความและภาพประมวลผลร่วมกันในชั้น Transformer เดียวกัน แต่ยังคงการแทนค่า (representation) แยกจากกัน ซึ่งบริษัทระบุว่าเป็นปัจจัยสำคัญที่ทำให้ความแม่นยำของตัวอักษรและความเข้าใจคำสั่ง (prompt) ที่ซับซ้อนดีขึ้น

ความหมายเชิงเทคนิค: ตัวอักษรในภาพใช้งานได้จริงแล้ว

จุดอ่อนที่ถูกวิพากษ์วิจารณ์มากที่สุดของโมเดลสร้างภาพคือ "เขียนตัวอักษรผิดเพี้ยน" ไม่ว่าจะเป็นป้าย สโลแกน หรือหน้าปกหนังสือ SD3 Medium แสดงให้เห็นทั้งจากการสาธิตอย่างเป็นทางการและการทดสอบของผู้ใช้ในช่วงแรกว่า ความแม่นยำของตัวสะกดภาษาอังกฤษดีขึ้นอย่างชัดเจน ถือเป็นความก้าวหน้าที่มีนัยสำคัญต่อการใช้งานเชิงพาณิชย์ที่ต้องฝังชื่อแบรนด์หรือสโลแกนลงในภาพ นอกจากนี้บริษัทยังเน้นว่าโมเดลทำได้ดีกว่า SDXL ทั้งในเรื่อง "การจัดวางองค์ประกอบหลายตัวละคร" และ "การปฏิบัติตามคำสั่งที่ยาวและซับซ้อน"

ช่องว่างเทียบรุ่นก่อนและคู่แข่ง

เมื่อเทียบกับ SDXL (3 พันล้านพารามิเตอร์ เปิดตัวปี พ.ศ. 2566) แม้ SD3 Medium จะมีขนาดพารามิเตอร์ไม่ใหญ่ที่สุด แต่ด้วยสถาปัตยกรรมคนละรุ่น บริษัทวางตำแหน่งโมเดลนี้ว่าเป็น "จุดสมดุลระหว่างประสิทธิภาพกับความต้องการฮาร์ดแวร์" — ขนาด 2 พันล้านพารามิเตอร์สามารถรันได้บนการ์ดจอระดับผู้บริโภค (เช่น RTX 4090) ทำให้การติดตั้งใช้งานในเครื่องท้องถิ่นเป็นไปได้จริง เมื่อเทียบกับ Midjourney และ DALL-E 3 ในช่วงเวลาเดียวกัน จุดขายที่แตกต่างของ SD3 Medium อยู่ที่การเป็นโอเพนซอร์สที่ดาวน์โหลดได้ ปรับแต่งในเครื่องได้ และติดตั้งใช้งานเชิงพาณิชย์แบบออฟไลน์ได้ มากกว่าการแข่งขันด้านคุณภาพภาพเพียงอย่างเดียว ซึ่งสอดคล้องกับจุดยืนของ Stability AI ในฐานะค่าย "โมเดลเปิด" มาโดยตลอด

ปฏิกิริยาจากวงการ: เงื่อนไขสัญญาอนุญาตใช้งานถูกวิพากษ์วิจารณ์

หลังเปิดตัว ชุมชนโอเพนซอร์สส่วนใหญ่ชื่นชมความก้าวหน้าด้านความแม่นยำของตัวอักษรและความเสถียรขององค์ประกอบภาพ แต่นักพัฒนาจำนวนไม่น้อยตั้งข้อสงสัยต่อเงื่อนไข "Stability AI Community License" — แม้จะใช้ฟรีสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์ แต่เกณฑ์การใช้งานเชิงพาณิชย์ (บริษัทที่มีรายได้ต่อปีเกินเกณฑ์ที่กำหนดต้องซื้อสัญญาอนุญาตใช้งานเชิงพาณิชย์แยกต่างหาก) เข้มงวดขึ้นอย่างชัดเจนเมื่อเทียบกับความเปิดกว้างของ SD1.5/SDXL ในอดีต ทำให้ชุมชนนักพัฒนาบางส่วนหยิบยกประเด็นการปรับเปลี่ยนโมเดลธุรกิจของ Stability AI ขึ้นมาถกเถียงอีกครั้ง ว่าบริษัทกำลังหาจุดสมดุลระหว่างอุดมการณ์โอเพนซอร์สกับแรงกดดันด้านรายได้

ความหมายต่อผู้บริหาร

สำหรับองค์กรที่ต้องการเนื้อหาภาพจำนวนมาก (โพสต์โซเชียล ภาพสินค้า สื่อโฆษณา) SD3 Medium ช่วยอุดช่องว่างเรื่อง "ตัวอักษรในภาพต้องถูกต้อง" ที่ขาดหายไปนาน ซึ่งอาจช่วยลดต้นทุนการแก้ไขตัวอักษรซ้ำ ๆ ของทีมการตลาด แต่การเปลี่ยนแปลงเงื่อนไขสัญญาอนุญาตใช้งานเชิงพาณิชย์ก็เป็นข้อเตือนใจให้ผู้บริหารตรวจสอบขอบเขตสัญญาอนุญาตและเกณฑ์ขนาดธุรกิจให้ชัดเจนก่อนนำเครื่องมือ AI โอเพนซอร์สมาใช้งาน เพื่อไม่ให้ต้องเสียค่าใช้จ่ายเพิ่มเติมภายหลังจากเริ่มใช้งานจริงแล้ว