스태빌리티AI, 3단계 압축 아키텍처 적용한 '스테이블 캐스케이드' 공개

스태빌리티AI가 선보인 '스테이블 캐스케이드(Stable Cascade)'는 개인용 그래픽카드에서도 대형 이미지 생성 모델을 손쉽게 미세조정할 수 있도록 설계된 텍스트-이미지 생성 모델입니다.

연구 프리뷰 형태로 공개되었으며, 추론 코드와 더불어 미세조정, LoRA, 컨트롤넷(ControlNet) 학습 스크립트가 깃허브에 함께 배포되었습니다. 허깅페이스 diffusers 라이브러리를 통해서도 곧바로 불러와 실행할 수 있습니다.

작동 원리와 특징

기존 스테이블 디퓨전(Stable Diffusion) 계열과 달리, 스테이블 캐스케이드는 뷔어스트헨(Würstchen) 아키텍처를 기반으로 Stage A, B, C의 세 단계 모듈로 나뉘어 동작합니다.

핵심은 텍스트 프롬프트를 해석하는 Stage C입니다. 사용자의 입력을 받아 24x24 크기의 극도로 압축된 잠재 공간으로 변환합니다. 이후 Stage B와 A가 이를 넘겨받아 초고해상도 픽셀 이미지로 복원하는 계층적 디코더 역할을 수행합니다.

텍스트 조건 생성(Stage C)과 픽셀 복원(Stage A 및 B)을 분리한 덕분에, 새로운 화풍을 학습시키거나 LoRA, 컨트롤넷을 적용할 때 Stage C만 학습시키면 됩니다. 원본 논문 기준 동급 규모의 기존 스테이블 디퓨전을 학습시킬 때보다 비용을 약 16분의 1 수준으로 줄일 수 있습니다.

모델 사양과 요구 하드웨어

공개된 모델은 용도에 맞춰 크기를 고를 수 있습니다. 핵심인 Stage C는 10억 개(1B)와 36억 개(3.6B) 파라미터 버전으로 나뉘며, 세부 복원을 담당하는 Stage B는 7억 개(700M)와 15억 개(1.5B) 버전으로 제공됩니다.

추론 시 필요한 권장 VRAM은 약 20GB 수준이지만, 경량 모델을 조합하면 일반 사용자 환경에서도 메모리 부담을 더 낮출 수 있습니다.

기본 텍스트-이미지 생성 외에도 CLIP 임베딩을 활용한 이미지 변형 생성, 노이즈 기반의 이미지-투-이미지 생성을 지원합니다. 캐니 엣지(Canny Edge), 인페인팅/아웃페인팅, 2배 초해상도 업스케일링을 위한 컨트롤넷 학습 코드도 함께 포함되었습니다. SDXL보다 전체 파라미터가 14억 개 더 많음에도 불구하고 압축 효율 덕분에 추론 속도는 오히려 더 빠릅니다.

이용 방법과 라이선스

가중치와 코드는 스태빌리티AI 깃허브 저장소와 허깅페이스에서 내려받을 수 있습니다.

다만 이번 공개는 비상업적 연구 라이선스(Non-commercial license)로 제한되어 있어 상업적 서비스에 곧바로 도입할 수는 없습니다. 상용 환경에 쓰려면 스태빌리티AI 멤버십이나 유료 API를 이용해야 합니다.

왜 중요한가

스테이블 캐스케이드는 파라미터만 무작정 키우던 이미지 모델 경쟁에서 '효율적인 구조 설계'로 방향을 튼 영리한 결과물입니다. 연산량이 가장 큰 텍스트 해석 영역을 극도로 압축된 공간에 몰아넣음으로써 개인 개발자의 학습 비용을 획기적으로 낮췄습니다.

자신만의 맞춤형 LoRA를 만들고 싶거나 모델 경량화 파이프라인을 연구하는 개발자라면 지금 즉시 테스트해 볼 가치가 충분합니다. 현재로서는 비상업적 라이선스가 유일한 발목을 잡고 있지만, 오픈소스 생성 생태계의 학습 문턱을 낮추는 기술적 실마리를 제공합니다.