# マルチモーダル拡散

MMaDAは新しいタイプのマルチモーダル拡散基盤モデルであり、テキスト推論、マルチモーダル理解、テキストから画像生成など複数の分野で優れた性能を発揮します。

MMaDAは新しいマルチモーダル拡散基盤モデルで、テキスト推論、マルチモーダル理解、テキストから画像生成などの分野で優れた性能を発揮します。

マルチモーダル拡散トランスフォーマー（MMDiT）を基盤としたテキストから画像へのモデルで、敵対的拡散蒸留（ADD）技術を採用し、画像品質、レイアウト、複雑なプロンプト理解を最適化するとともに、推論ステップを削減しています。

このモデルは大規模言語モデルとビデオ拡散技術を組み合わせ、テキストから動画生成をサポートし、バウンディングボックス条件入力を通じて動画内容を制御できます。

AltDiffusion-m9はStable Diffusionフレームワークに基づく多言語テキストから画像生成モデルで、9言語をサポートし、AltCLIP-m9多言語CLIPモデルによって駆動されます。