Stable Diffusion 2

是什么

Stable Diffusion 2.0 是 Stability AI 于 2022 年 11 月 24 日发布的开源文生图（text-to-image）模型。^[1] 它的基本工作方式与其他文生图系统一致：输入一段文字提示，输出一张图片。2.0 的改动集中在读取提示的那一环，并且把若干个配套模型和基础生成模型一起发布。^[1]

新的文本编码器与训练数据

这一版文生图模型使用了新的文本编码器（text encoder）OpenCLIP，由 LAION 在 Stability AI 的支持下开发。^[1] 文本编码器负责把提示词转换成图像生成部分所依据的内部表示，因此换掉它，会直接改变模型对措辞的反应方式。训练数据取自 LAION-5B 的一个审美子集，该子集由 Stability 的 DeepFloyd 团队构建，并用 LAION 的 NSFW 过滤器筛掉成人内容。^[1] 默认输出分辨率为 512x512 和 768x768 像素。^[1]

与基础模型一同发布的模型

这次发布的是一整套模型，单一权重文件不能概括全部内容。其中包括一个 4 倍超分辨率（super-resolution）放大模型，可输出 2048x2048 像素或更大的图像；一个深度引导的 depth2img 模型；以及一个新的文本引导图像修复（inpainting）模型。^[1]

depth2img 会先从输入图像推断深度，再根据文字和深度信息生成新图像，也就是说，原图的空间布局可以被读取出来，而画面内容按提示重新生成。^[1] 文本引导的图像修复模型用于填补或替换图像中的局部区域，它是在新的 Stable Diffusion 2.0 基础文生图模型上微调得到的，因此继承的是新基础模型，而不是旧版。^[1]

2.1 版与过滤器的调整

Stable Diffusion 2.1 在几周后的 2022 年 12 月 7 日发布，提供 512x512 的基础版和 768x768 版本。^[2] 最受关注的改动在内容过滤上：Stability 放宽了 NSFW 过滤，理由是 2.0 更严格的过滤器把太多人物从数据集中删掉了，这一改动改善了人体结构和手部的生成效果。^[2] 公司把 2.1 描述为采用了不那么激进的 NSFW 过滤器，减少了误判，但仍然会移除成人内容。^[2]

2.1 还改进了负向提示词（negative prompt）。Stability 表示负向提示词在 2.1 中效果更好，其 DreamStudio 应用也加入了负向提示功能。^[2] 负向提示词的作用是告诉模型不要生成什么；在 DreamStudio 中，只要在提示词后附加一个权重为 -1.0 的负向提示词即可。^[2]

法律后续

这一系列模型后来卷入一场商标纠纷。在 Getty Images 诉 Stability AI 案中，英国高等法院于 2025 年 11 月认定，2.1 版的部分输出带有类水印标记，侵犯了 GETTY IMAGES 商标。^[3]

在发展中的位置

Stable Diffusion 2 是这个项目转向与 LAION 合作的新文本编码器、转向经过筛选和过滤的训练子集的节点，也是发布形态发生变化的节点：交付的是一个由基础生成模型、放大模型、深度引导生成模型和图像修复模型组成的小家族，而不是单个网络。^[1] 2.1 紧随其后发布，直观地说明训练数据过滤器如何直接影响模型能生成什么——收紧时人物被删掉，放松后人体结构和手部效果回升。^[2] 对使用者而言，这一版带来的实际变化包括更高的默认分辨率、通过深度沿用既有图像的构图，以及用负向提示词把生成结果推离不想要的内容。^[1][2]