Hogyan készít képet a gép? A diffusion model érthetően

Nem rajzol, hanem zajt távolít el

Kezdjük a tanítással, mert a generálás annak a fordítottja. Veszel egy valódi fényképet, és sok apró lépésben zajt adsz hozzá, amíg semmi nem marad belőle, csak véletlenszerű pöttyök. Az eredeti leírásban ez ezer lépés volt. Minden lépésnél pontosan tudod, mennyi zajt adtál hozzá — tehát van egy tökéletes feladatlapod: itt a zajos kép, ennyi zaj van benne.

A modell t arra tanítod, hogy ezt a feladatlapot megoldja: nézd meg a zajos képet, és mondd meg, mennyi zaj van benne. Nem azt tanulja meg, hogy „így néz ki egy macska", hanem azt, hogy „ebben a szemcsés valamiben ez a rész zaj, ez pedig nem".

Generáláskor pedig visszafelé futtatod. Kezdesz egy tiszta zajfolttal, megkérdezed a modellt, mennyi zaj van benne, levonod, és újra. Húsz-ötven kör múlva a zajból kép lesz. Semmilyen ponton nem „rajzol" a gép — mindig csak becsli, mit kell elvenni. Ez az egyetlen igazán fontos mondat a témában, és ebből következik szinte minden furcsaság, amit a képgenerálóknál tapasztalsz.

Hogyan lesz a szövegből kép

Eddig a leírásból hiányzik a prompt . A szöveg egy szövegkódoló modellen megy át, ami a mondatot számsorozattá alakítja, és ezek a számok minden egyes zajtalanító lépésben ott vannak a kép mellett. A kettőt egy figyelmi mechanizmus köti össze: a kép minden része „megnézheti", mit mond a szöveg.

Itt van az elmúlt évek legfontosabb változása, és ez magyarázza, miért máshogy kell ma promptot írni, mint három éve. Kezdetben a szövegkódoló egy rövid, kulcsszavakhoz szokott modell volt, hetvenvalahány szónyi kapacitással — ezért működött a „macska, olajfestmény, arany fény, 8k" stílusú kulcsszóhalmozás, és ezért nem működött a folyó szöveg. A mai képmodellekben viszont egy teljes értékű nyelvi modell a szövegkódoló, a nyílt súlyú családoknál ez dokumentált is: milliárdos paraméterszámú nyelvi modellek ülnek a képmodell előtt.

Ezért ír ma jobb képet egy rendes mondat, mint egy kulcsszólista: a nyelvi modell érti a viszonyokat — hogy ki csinál mit kivel, mi van mi mögött. A gyakorlati következményekről a képprompt négy rétegérőlszóló poszt szól részletesen.

Miért latens térben dolgozik

Egy 1024×1024-es kép több mint egymillió képpont, mindegyik három számmal. Ha a zajtalanítást ezen futtatnád ötvenszer, az irdatlan számolás lenne. Ezért a modellek nagy része nem a képpontokon dolgozik, hanem egy tömörített ábrázoláson: egy kódoló előbb összenyomja a képet egy jóval kisebb számrácsra, a zajtalanítás ott történik, és a végén egy dekóder bontja vissza képpontokká.

Ennek van egy látható következménye. A modell a tömörített térben „gondolkodik", és apró, finom részletek — egy arc pupillája, egy hajszálvékony vonal, egy pici betű — ott egyszerűen kevés helyet kapnak. Nem véletlen, hogy pont ezek romlanak el a leggyakrabban.

A seed, és miért nem kapod meg mindenhol

Az egész folyamat egy véletlen zajfolttal indul. Azt, hogy pontosan melyikkel, egy szám határozza meg: ez a seed. Ugyanaz a seed, ugyanaz a prompt, ugyanaz a modell és ugyanazok a beállítások ugyanazt a képet adják — ezért tudsz egy sikerült képhez visszatérni és rajta apró változtatást kérni.

Csakhogy a seedet nem minden felületen kapod meg. A nyílt súlyú modellek és több API kiteszi, a két legnagyobb fogyasztói chatfelületen viszont nincs ilyen beállítás: ott a „futtasd le újra ugyanazt" egyszerűen nem megoldható. Ha a munkádhoz ismételhetőség kell — sorozatok, termékképek, arculati anyag —, ez önmagában eldöntheti, melyik eszközt választod. Erről bővebben az eszközválasztásrólszóló poszt szól.

Mi változott 2026-ra

Négy dolog mozdult el érdemben, és mind a négy látszik a használaton.

• A zajtalanító háló átalakult. A korai modellek konvolúciós hálót használtak; a maiak transformert. Ez tette lehetővé a méretnövelést, és ezzel együtt a jobb szövegkövetést.
• A szövegkódolóból nyelvi modell lett. Ez a hosszú, természetes nyelvű promptok oka — és annak is, hogy a negatív prompt kezd kikopni: a friss modellek egy részén már nincs is ilyen kapcsoló, mert a mondat megérti a tagadást.
• A szerkesztés beépült. A generálás és a meglévő kép átalakítása ma ugyanaz a modell ugyanazzal a hívással; nem kell külön eszköz hozzá.
• A lépésszám lement. A kutatási leírásban ezer lépés szerepelt, a mai éles rendszerekben az alapérték ötven körül van, a gyorsított változatoknál négy.

Amit viszont nem lehet tudni: a két legnagyobb zárt szolgáltató nem hozza nyilvánosságra, pontosan milyen felépítésű a képmodellje. Aki magabiztosan állítja, hogy „ez már nem is diffusion", az nem forrásból beszél. Amit nyilvánosságra hoztak — a nyílt súlyú családok —, azok mind a diffusion rokonságába tartoznak, transformer alapon.

Amit a számokból érdemes tudni

Négy szám, amivel érdemes tisztában lenni, mert mind a négy a pénztárcádon vagy a türelmeden látszik.

• Lépésszám. Éles rendszerben tipikusan 20-50. Kevesebb lépés gyorsabb és olcsóbb, de a finom részletek elmosódnak; többől egy ponton túl nem lesz jobb.
• Felbontás. A mai modellek 1K és 4K között adnak képet, és a nagyobb felbontás nemcsak lassabb, hanem drágább is — a legtöbb szolgáltatónál külön árazzák.
• Képarány. Nem vágás, hanem generálási paraméter: a modell eleve más kompozíciót épít 16:9-re, mint négyzetesre. Ezért nem ugyanaz utólag levágni.
• Kép per kérés. A legtöbb eszköz egyszerre több változatot ad. Négy változatból választani szinte mindig gyorsabb, mint egyet addig javítgatni, amíg jó lesz.

Tipikus félreértések

• „Kikeresi a hasonló képeket az internetről." Nem. A modell súlyaiban nincsenek képek, csak a tanulás során kialakult mintázatok. Ezért nem is lehet „megkeresni benne" az eredetit.
• „Ha pontosabban írom le, pontosan azt kapom." A leírás erősen befolyásol, de nem determinál. A kiindulási zaj más képet ad ugyanarra a mondatra — ezért van egyáltalán seed.
• „A több lépés jobb képet ad." Egy határig igen, utána csak drágább. A látványos javulás a modelltől és a prompttól jön, nem a lépésszámtól.
• „A negatív prompt kötelező." Volt, amikor az volt. A friss modellek egy részéről kivezették, és a gyártók maguk javasolják, hogy azt írd le, amit akarsz, ne azt, amit nem.

Amit érdemes elvinni

A képgenerálás zajtalanítás, nem rajzolás — a modell ötvenszer megbecsüli, mennyi zajt kell elvenni, és a végén kép marad. A prompt egy nyelvi modellen át befolyásolja ezt a folyamatot, ezért működik ma a rendes mondat jobban, mint a kulcsszólista. A kiindulási zajt a seed rögzíti, és ha ismételhetőség kell, nézd meg, hogy a választott eszközöd egyáltalán kiadja-e. A finom részletek — kis betű, szem, vékony vonal — azért romlanak el, mert a modell egy tömörített ábrázoláson dolgozik.