Stability AIがSDXL 0.9発表：画質が劇的進化、民生用GPUで動作可能に

オープンソースの画像生成AIを使ってきた人なら、崩れた指先や不自然な質感、そして512x512という解像度の壁に悩まされた経験が一度はあるはずです。Midjourneyなどの商用サービスが先行するなか、ローカル派が待ち望んでいた大型アップデートがついに姿を現しました。

Stability AIは6月22日、画像生成モデルの最新版「SDXL 0.9」を発表しました。4月に公開されたベータ版から大幅に進化し、画像の細部描写や構図の破綻が劇的に改善されています。標準で1024x1024ピクセルのネイティブ出力に対応した点が大きな目玉です。

66億パラメータと2段階パイプラインの仕組み

画質がここまで跳ね上がった最大の理由は、モデル構造の根本的な見直しにあります。

SDXL 0.9は合計66億パラメータにおよぶアンサンブルパイプラインを採用しています。まず35億パラメータのベースモデルが大まかな構図や被写体を生成し、その出力を受け取った2段目のリファインモデルが、肌の質感や毛髪、光の反射といった微細なディテールを描き足していく仕組みです。4月のベータ版が31億パラメータの単一モデルだったことを考えると、規模は一気に倍増しました。

言語理解の要となる部分には、これまでに訓練された中でも最大規模のOpenCLIPモデル（ViT-G/14）が組み込まれました。これにより複雑なプロンプトへの追従性が高まり、通常のテキスト生成だけでなく、画像から別バリエーションを作る機能や、部分修正、画像の枠外拡張などもこなせます。

これほどの規模でありながら、動作要件は家庭用PCを意識した設計にとどまっています。OSはWindows 10/11またはLinux、16GBのメインメモリ、そして8GB以上のVRAMを備えたNVIDIA GeForce RTX 20シリーズ以上のグラフィックカードがあれば動作します。Linux環境のAMD製GPUの場合は16GBのVRAMが必要です。

まずは研究用途から、7月中旬に一般公開へ

4月13日のベータ版公開以降、約7000人のDiscordコミュニティ参加者が70万枚以上の画像を生成し、毎日2万枚以上のペースでフィードバックを集めてきたといいます。

現在、SDXL 0.9はWebサービスの「Clipdrop」上ですぐに試すことができます。APIおよび同社の「DreamStudio」、さらに「NightCafe」などの外部ツールへの提供は6月26日から開始される予定です。

ただし、モデルのウェイトファイル自体は現時点で非商用の研究ライセンスに限定されています。研究者はHugging Face上で学術用メールアドレスを使って申請する必要があり、実行コードはGitHubで公開されます。制限のない完全なオープンリリース版となる「SDXL 1.0」は、7月中旬の投入が予定されています。

なぜ重要か

クリエイターや個人開発者にとって、SDXL 0.9の登場はローカル生成の常識を塗り替える出来事です。これまで高精細な画像を得るにはMidjourneyのような有料クラウドに頼るか、複雑な拡大ツールを何重にも組み合わせる必要がありました。それが8GBの家庭用GPUさえあれば、手元のマシンで破綻の少ない1024解像度の画像を生み出せるようになります。

業界全体にとっても、画像生成の標準解像度が512から1024へ引き上げられた影響は小さくありません。既存の低解像度モデルをベースにしていたラッパー製品や画像補正ツールは、製品価値の再定義を迫られることになります。

ベースモデルとリファインモデルを分けた設計は、限られたVRAMで最大の描画力を引き出すアプローチとして非常に現実的でスマートだと評価できます。一方で、パイプライン全体で66億パラメータという重さは生成時間の増加に直結します。コミュニティによるLoRAや追加学習のハードルも上がるため、7月中旬の1.0公開後にオープンソースエコシステムがどこまで追従できるかが次の焦点になりそうです。