Modelo de difusão

O modelo aprende a adicionar ruído a uma imagem e depois a removê-lo. Na geração, parte de ruído puro e o 'remove' passo a passo, guiado pelo seu prompt, para criar uma imagem coerente.

Os GANs usam duas redes que competem. Os modelos de difusão usam um processo iterativo de remoção de ruído. Em 2026, a difusão domina em qualidade e diversidade.

Um modelo de difusão é uma arquitetura de IA generativa que cria imagens, áudio ou vídeo partindo de ruído aleatório e removendo-o gradualmente até obter um resultado coerente, guiado por um prompt textual. Ele alimenta ferramentas como Stable Diffusion, DALL-E, Midjourney e o Sora da OpenAI. Os modelos de difusão substituíram em grande parte os GANs desde 2021, graças à maior qualidade de imagem, ao treinamento mais estável e à maior diversidade de resultados.

Eles resolvem problemas diferentes. Um modelo de difusão gera mídias contínuas (imagens, vídeo, áudio) por remoção iterativa de ruído e geralmente se baseia em uma U-Net ou em um transformer de difusão. Um LLM, como GPT-4 ou Claude, é um transformer que prevê texto token por token. Muitas ferramentas de imagem combinam os dois: um codificador de texto interpreta o seu prompt, enquanto o modelo de difusão gera os pixels.

Não. O GPT-4 é um large language model baseado na arquitetura transformer; ele gera texto de forma autorregressiva, um token por vez. Os modelos de difusão funcionam removendo ruído e voltam-se mais para imagens, áudio ou vídeo. A confusão surge porque a OpenAI desenvolve os dois: GPT-4 para texto, e DALL-E ou Sora para o visual, que de fato usam métodos de difusão.

Sim. Um modelo de difusão é um tipo fundamental de IA generativa: produz conteúdo novo em vez de classificar dados existentes. Ao aprender a reverter um processo de adição de ruído, ele sintetiza imagens, vídeos e áudios originais a partir de um prompt. Ao lado dos GANs, dos transformers e dos VAEs, a difusão é uma das abordagens generativas dominantes e, hoje, o padrão para ferramentas de imagem e vídeo de alta qualidade.

O Stable Diffusion é o exemplo mais conhecido: um modelo open source que transforma prompts de texto em imagens. Outros sistemas de difusão muito usados incluem DALL-E 3 (OpenAI), Midjourney para imagem artística, Imagen (Google) e Sora para vídeo. Na pesquisa, as famílias fundadoras incluem DDPM e a difusão latente, a técnica que tornou o Stable Diffusion rápido o suficiente para rodar em GPUs de consumo.

A ideia central é aprender a reverter um processo de degradação gradual. Durante o treinamento, o modelo observa imagens nítidas se transformarem aos poucos em ruído puro, passo a passo, e aprende a prever e desfazer esse ruído. Na geração, ele executa o processo ao contrário: parte de ruído aleatório e o remove ao longo de muitos passos até obter uma imagem estruturada e fiel ao prompt. Mais passos melhoram a qualidade.

Treina-se com um grande dataset de imagens (muitas vezes associadas a legendas de texto). O loop de treinamento adiciona uma quantidade conhecida de ruído aleatório a cada imagem e ensina o modelo a prever esse ruído para poder removê-lo. Repetido em milhões de exemplos, o modelo aprende a remover ruído a partir de qualquer nível. Treinar do zero é muito custoso em computação, por isso a maioria dos usuários faz fine-tuning de checkpoints existentes com LoRA ou DreamBooth.