Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Modelo de difusão

Um modelo de difusão (diffusion model) é um modelo generativo que aprende a transformar ruído aleatório em dados, como uma imagem, removendo um pouco de ruído por vez ao longo de muitos passos.

Também chamado: diffusion, denoising diffusion, latent diffusion

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

O treinamento começa com imagens reais e acrescenta ruído a elas passo a passo, até não sobrar nada além de estática. O modelo aprende a desfazer um passo desse ruído. Para gerar, você parte de ruído puro e roda o passo de remoção de ruído aprendido várias e várias vezes, até aparecer uma imagem limpa. O artigo DDPM de 2020, de Ho, Jain e Abbeel, mostrou que essa abordagem podia produzir imagens de alta qualidade.

Por que isso importa

A maioria dos geradores de imagem e vídeo que você encontra hoje, de ferramentas text-to-image a modelos text-to-video, é construída sobre difusão. Entre os exemplos abertos está o FLUX.2 dev, e bibliotecas como Diffusers e ComfyUI os rodam localmente. Mais modelos estão listados em modelos de imagem.

Difusão latente

Rodar a difusão diretamente nos pixels é lento e caro. A difusão latente, apresentada por Rombach e colegas, primeiro comprime a imagem com um autoencoder e faz a remoção de ruído nesse espaço menor. Camadas de cross-attention permitem que um prompt de texto guie cada passo. Esse é o design por trás do Stable Diffusion e de muitos modelos desde então.

Limites

A geração exige muitos passos sequenciais, então é mais lenta do que produzir uma imagem em uma única passada. O controle é indireto: o prompt, a guidance scale e complementos como o ControlNet empurram a remoção de ruído em vez de ditar o resultado. Um modelo de linguagem de difusão aplica a mesma ideia ao texto.

Termos relacionados

Text-to-image
Text-to-image (texto para imagem) é a tarefa de gerar uma nova imagem a partir de uma descrição escrita, chamada de prompt. A maioria dos modelos text-to-image atuais são modelos de difusão condicionados pelo texto.
Text-to-video
Text-to-video (texto para vídeo) é a tarefa de gerar um videoclipe curto a partir de um prompt escrito. Os modelos precisam produzir quadros que pareçam corretos individualmente e também se movam de forma consistente de um quadro para o outro.
Guidance scale (CFG)
A guidance scale (escala de orientação), ou CFG scale, é uma configuração de geradores de imagem por difusão que controla com que força a saída segue o prompt. Valores mais altos seguem o prompt mais de perto, mas reduzem a variedade.
ControlNet
O ControlNet é um complemento de rede neural que permite a um modelo de difusão text-to-image seguir um guia estrutural, como um mapa de bordas, um mapa de profundidade ou uma pose humana, além do prompt de texto.
Modelo de linguagem de difusão
Um modelo de linguagem de difusão (dLLM) gera texto partindo de uma sequência totalmente mascarada ou ruidosa e refinando muitas posições de token em paralelo ao longo de vários passos, em vez de escrever um token por vez.
Modelo autorregressivo
Um modelo autorregressivo gera uma sequência um pedaço por vez, prevendo cada próximo token a partir de todos os tokens anteriores e realimentando essa saída como entrada. A maioria dos grandes modelos de linguagem funciona assim.

Fontes