مدل انتشار، معماری غالب تولید تصویر است (و بعد از آن ویدیو): از نویز کامل شروع میکند و در چند ده مرحلهی «زدودن نویز»، تصویر را پیکسلبهپیکسل میسازد. Stable Diffusion، Midjourney، DALL·E و Flux بر همین اصلاند.
چرا ترنسفورمر نه؟ چون انتشار طبیعتاً بصری-محور است: بافت، نور و ترکیببندی را بهتر از مدلهای متنی میسازد و نسخههای سریع ۲۰۲۶ (.step distillation) آن را بلادرنگ کردهاند.
برای تیم محصول: مدلهای انتشار متنباز (Flux، SDXL) با GPU متوسط قابل میزبانیاند و مسیر «تولید تصویر ارزان و انبوه» را باز میکنند — چیزی که با APIهای مرزی گران است.
