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.