كيف تعمل نماذج الصور التوليدية بالذكاء الاصطناعي: شرح مبسط للتشتت، الفضاء الكامن ومشفّرات النصوص

Q: الصور تظهر رمادية، باهتة أو بلون بنفسجي

VAE مفقود أو غير متطابق، أو فيضان VAE fp16 على SDXL. حمل VAE الخاص بالعائلة؛ على SDXL استخدم VAE مع تصحيح fp16.

Q: الوصف الطويل يُتجاهل جزئيًا

حد رمز CLIP على SD 1.5 وSDXL. ضع الكلمات المهمة أولاً، أو انتقل إلى نموذج Flux، Qwen أو Z-Image مع مشفّر LLM.

Q: تكرار أو تكرار الموضوعات عند الأحجام الكبيرة

الكامن أكبر بكثير من دقة التدريب؛ النموذج يكرر نفسه. أنشئ بالحجم الأصلي ثم قم بالتكبير، أو استخدم hires-fix مع إزالة ضوضاء 0.4.

Q: نفاد الذاكرة فقط في النهاية

خطوة فك ترميز VAE بالحجم الكامل. استخدم فك ترميز VAE المقطّع، أو حجم إخراج أصغر متبوعًا بمكبر.

الموضوع: النماذج

بقلم Quartermaster

نُشر في 28 أغسطس 2025

نظرة عامة

كل نموذج صورة حالي هو مزيل ضوضاء. أثناء التدريب يُعرض عليه ملايين الصور مع زيادة تدريجية في الضوضاء العشوائية المضافة، مع عنوان كل صورة، ويتعلم التنبؤ بالضوضاء المضافة. عند التوليد، العملية تعمل بالعكس: تبدأ بضوضاء نقية، تسأل النموذج عن الضوضاء الموجودة بناءً على الوصف، تزيل جزءًا منها، تكرر العملية عشرين أو ثلاثين مرة، وتظهر صورة تطابق الوصف. هذه هي الحيلة كلها؛ "التشتت" هو اسم هذه العملية التدريجية لإضافة الضوضاء ثم إزالتها.

العمل على بكسلات بالحجم الكامل سيكون بطيئًا جدًا، لذا منذ Stable Diffusion 1.x يتم إزالة الضوضاء في فضاء مضغوط يسمى الكامن. شبكة صغيرة منفصلة، VAE، تضغط صورة 1024x1024 إلى شبكة أرقام 128x128 وتعيد توسيعها في النهاية. مزيل الضوضاء (U-Net في SD 1.5 وSDXL، ومحول في Flux، Qwen، Z-Image ونماذج الفيديو) لا يرى البكسلات أبدًا. لهذا السبب يجب أن تكون أحجام الصور مضاعفات 8 أو 16، ولماذا خطوة فك ترميز VAE في النهاية قد تستنفد الذاكرة بمفردها.

يدخل الوصف عبر مشفّر نصوص يحول الكلمات إلى قائمة أرقام يمكن لمزيل الضوضاء الاعتماد عليها. SD 1.5 يستخدم مشفّر CLIP واحد بحد 77 رمزًا، SDXL يستخدم اثنين، Flux يضيف نموذج لغة T5 كبير، ونماذج 2025 و2026 (Qwen Image، FLUX.2، Z-Image، Wan 2.2) تستخدم نماذج لغة كبيرة كاملة كمشفّرات. هذا التغيير الوحيد يفسر معظم الفرق في كيفية كتابة الأوصاف: قوائم علامات لنماذج CLIP، وجمل طبيعية لنماذج LLM. أخيرًا، LoRA هو مجموعة صغيرة من التصحيحات لأوزان مزيل الضوضاء (وأحيانًا المشفّر) توجه ما يرسمه؛ لا تضيف معرفة جديدة من العدم، بل تعيد وزن ما تعلمه النموذج الأساسي بالفعل.

مرجع

الاسم	النوع	ما هو
Denoiser (U-Net / DiT)	component	الشبكة الرئيسية. تتنبأ بالضوضاء في الكامن بناءً على الوصف والخطوة. U-Net في SD 1.5 وSDXL؛ محول التشتت (DiT / MMDiT) في Flux، FLUX.2، Qwen، Z-Image، Wan، LTX، H3.
VAE	component	يضغط الصور إلى الكامن ويعيدها. VAE خاطئ أو مفقود يعطي صور باهتة أو ذات لون بنفسجي. Flux والعائلات الأحدث تأتي مع VAEs خاصة بها بـ 16 قناة.
Text encoder	component	CLIP-L، CLIP-G، T5-XXL أو نموذج لغة كبير (Qwen2.5-VL، Mistral، Gemma). يحدد كيف يُفهم الوصف وطوله.
Scheduler / sampler	setting	جدول مقدار الضوضاء التي تُزال في كل خطوة والطريقة العددية المستخدمة. يغير الملمس وسرعة التقارب، لا المحتوى.
Steps	setting	عدد تكرارات إزالة الضوضاء. النماذج المقطرة (Turbo، Lightning، Schnell، Klein) مدربة لتحتاج من 1 إلى 8.
CFG / guidance	setting	الإرشاد بدون مصنف: مدى دفع التنبؤ المعتمد على الوصف بعيدًا عن التنبؤ غير المعتمد. قيمة عالية جدًا تحرق الألوان؛ نماذج الإرشاد المقطرة (Flux dev) تستخدم قيمة إرشاد واحدة بدلاً من ذلك.
Latent size	setting	حجم الصورة مقسوم على 8 (SD) أو 16 (Flux، Wan). النماذج ترسم بشكل أفضل بالقرب من الدقة التي تدربت عليها.
Flow matching	training method	بديل 2024+ لجداول ضوضاء التشتت الكلاسيكية (Flux، SD3، Wan، Z-Image). نفس الفكرة، مسار أكثر استقامة من الضوضاء إلى الصورة، خطوات أقل مطلوبة.

خطوة بخطوة

الضوضاء تدخل: الموزع ينشئ شبكة كامن من أرقام عشوائية من البذرة. تغيير البذرة يغير كل شيء بعد ذلك.
الوصف يدخل: مشفّر النص يحول كلماتك إلى تمثيلات. في نماذج CLIP أي شيء بعد 77 رمزًا يُجزأ أو يُحذف؛ في نماذج LLM فقرة كاملة مقبولة.
كل خطوة: مزيل الضوضاء يُشغل مرتين في SD وSDXL (مع الوصف وبدونه)؛ الفرق، مضروبًا في CFG، يوجه الكامن نحو الوصف. Flux dev يشغل مرة واحدة مع قيمة إرشاد مدمجة.
الموزع يطرح الضوضاء المتوقعة حسب الجدول (Karras، أُسّي، بسيط، بيتا). بعد الخطوة الأخيرة يكون الكامن صورة نظيفة مضغوطة.
فك الترميز: VAE يوسع الكامن إلى بكسلات. فك ترميز VAE المقطّع موجود لأن هذه الخطوة وحدها قد تتجاوز ذاكرة بطاقة 8 جيجابايت عند الأحجام الكبيرة.
تمريرات ثانية اختيارية: hires-fix يعيد إضافة ضوضاء قليلة ويزيلها عند حجم أكبر؛ img2img يبدأ من صورة موجودة بدلًا من الضوضاء النقية؛ inpainting يقيّد التغيير إلى قناع.
نماذج الفيديو تضيف محور زمن للكامن (مقطع 5 ثواني هو كامن ثلاثي الأبعاد) والباقي نفس الحلقة، ولهذا تحتاج لذاكرة أكبر بعشر مرات.

أمثلة

نفس الوصف عبر ثلاث بنى مختلفة

SD 1.5 (CLIP, 77 tokens): "portrait of an old sailor, grey beard, wool cap, harbour background, film photo"

SDXL (two CLIPs): same words, 1024x1024, CFG 6, 28 steps

Flux dev (CLIP-L + T5): "A weathered old sailor with a grey beard and a navy wool cap stands at a harbour railing at dusk; shallow depth of field, Kodak Portra look." guidance 3.5, 24 steps

عقد ComfyUI مرتبطة بالمكونات

Load Checkpoint -> MODEL (denoiser), CLIP (text encoder), VAE

CLIP Text Encode (prompt) -> KSampler (sampler, steps, CFG, seed) -> VAE Decode -> Save Image

نصائح

النموذج لا يمكنه رسم ما لم يكن في بيانات تدريبه. لهذا تعديلات الأنمي تعرف آلاف الشخصيات ونماذج الصور الفوتوغرافية لا، ولهذا يوجد LoRA لكل فجوة تقريبًا.
التعديلات (DreamShaper، Juggernaut، Illustrious، Pony) لها نفس البنية الأساسية مع أوزان مختلفة؛ LoRA للنموذج الأساسي عادةً تعمل على التعديل، لكن LoRA لتعديل مختلف جدًا (Pony) غالبًا لا تعمل.
النماذج المقطرة تتنازل عن المرونة مقابل السرعة. SDXL Lightning عند 4 خطوات جيدة للمسودات؛ النموذج الكامل عند 28 خطوة أفضل للنهائيات.
مشفّر النص غالبًا أكبر ملف. Flux مع T5-XXL fp16 يحتاج 9 جيجابايت فقط للمشفّر، ولهذا توجد نسخ fp8 وGGUF.
تقطير الإرشاد (Flux dev) وCFG ليسا نفس الشيء. استخدام CFG بقيمة 7 على Flux dev يعطي صور محترقة؛ استخدم إعدادات صفحة النموذج.
كل شيء هنا يعمل على الشركاء السحابيين تمامًا كما محليًا؛ الفرق فقط في من يملك الـGPU.

استخدم فك ترميز VAE المقطّع، أو حجم إخراج أصغر متبوعًا بمكبر.

أسئلة

هل النموذج ينسخ صورًا من مجموعة التدريب؟

يخزن الأوزان، ليس الصور، ولا يمكنه استرجاع صورة تدريب. يمكن أن تظهر نسخ قريبة جدًا من صور تدريب متكررة جدًا (لوحات مشهورة، شعارات)، وهذا سبب لتجنب طلبها.

لماذا تحتاج النماذج الجديدة لذاكرة أكبر إذا كانت الفكرة نفسها؟

مزيلو الضوضاء أكبر (12 مليار معلمات لـFlux مقابل 0.9 لـSD 1.5)، مشفّرات نص أكبر وكامن أكبر. النسخ المكمّمة fp8 وGGUF تعيدها إلى حجم أصغر.

ما الفرق بين نقطة التحقق والنموذج؟

نقطة التحقق هي ملف محفوظ للنموذج (مزيل الضوضاء، غالبًا مع المشفّر وVAE مضمّنين). الناس يستخدمون الكلمتين بالتبادل.

لماذا تعطي نفس البذرة صورة مختلفة على جهاز آخر؟

GPU مختلف، دقة مختلفة (fp16 مقابل bf16) أو تنفيذ مختلف للموزع؛ الضوضاء نفسها لكن الحسابات تختلف قليلاً. على نفس الجهاز، نفس الإعدادات، نفس الصورة.

هل زيادة عدد الخطوات دائمًا مفيدة؟

لا. معظم الموزعين يتقاربون عند 25 إلى 30 خطوة؛ بعد ذلك تضيع وقتك بدون فائدة. النماذج المقطرة تزداد سوءًا مع المزيد من الخطوات.

روابط ومصادر

النماذج في هذا الدليل

نماذج Stable Diffusion 1.5

نماذج Stable Diffusion XL 1.0

كتبه

يدير المخزون: كل LoRA، كل quant، كل ملف أعاد شخص ما تسميته إلى final_v2_REAL.safetensors. يقيس الأجهزة بعدد عمليات الرندر في Wan قبل العشاء. سيعطيك رقم VRAM، ثم يخبرك أنه خطأ لأنك فتحت Chrome. الأوزان المفتوحة أو لم يتم الشحن.

جميع الأدلة من Quartermaster

البدء في توليد الصور بالذكاء الاصطناعي: صورتك الأولى في عشر دقائق

14 أغسطس 2025

الخطوات، CFG، العيّنات، المجدولات والبذور: شرح إعدادات التوليد مع القيم الافتراضية الآمنة

19 نوفمبر 2025

نقطة التحقق مقابل LoRA مقابل التضمين مقابل ControlNet: أي ملف يفعل ماذا

8 أكتوبر 2025

Flux مقابل SDXL مقابل SD 1.5 مقابل Qwen مقابل Z-Image: أي عائلة نماذج تستخدم في 2026

22 مايو 2026

كيف تعمل نماذج الصور التوليدية بالذكاء الاصطناعي: شرح مبسط للتشتت، الفضاء الكامن ومشفّرات النصوص

نظرة عامة

مرجع

خطوة بخطوة

أمثلة

نفس الوصف عبر ثلاث بنى مختلفة

عقد ComfyUI مرتبطة بالمكونات

نصائح

حل المشكلات

الصور تظهر رمادية، باهتة أو بلون بنفسجي

الوصف الطويل يُتجاهل جزئيًا

الألوان محترقة والتباين شديد

تكرار أو تكرار الموضوعات عند الأحجام الكبيرة

نفاد الذاكرة فقط في النهاية