Stable Diffusion 3.5

是什么

Stable Diffusion 3.5 是 Stability AI 推出的文生图（text-to-image）模型系列。公司在 2024 年 10 月 22 日公布该系列，当天就放出了其中的 Large 和 Large Turbo 两个版本；第三个版本 Medium 在 10 月 29 日跟进。^[1]

和常见的文生图扩散模型一样，它的工作方式是：从随机噪声出发，在文字提示（prompt）的引导下一步步去掉噪声，最终形成一张图。提示就是用户写下的画面描述；生成结果在多大程度上贴合这段描述，通常被称为「提示遵循」（prompt adherence）。

三个型号，两个体量

Stable Diffusion 3.5 Large 有 81 亿参数，面向专业用途，工作分辨率为 1 百万像素。^[1] Stability 表示这一版本在画质和提示遵循上都更出色，也就是说它既要画面干净，也要把提示里要求的细节画出来。^[1]

Stable Diffusion 3.5 Large Turbo 是 Large 的蒸馏（distillation）版本。^[1] 蒸馏指的是训练第二个模型去复现大模型的相当一部分行为，但代价更低。具体到这里，结果是一个 4 步就能出图的模型——比完整采样通常所需的步数少得多，因此生成速度明显更快。^[1]

一周之后发布的 Stable Diffusion 3.5 Medium 有 25 亿参数，是更小、也更灵活的成员。它生成的图像在 0.25 到 2 百万像素之间，显存需求为 9.9 GB（不含文本编码器）。^[1] 显存这个数字在实际使用中很关键：它决定了模型能在哪一档显卡上本地运行，也是图像模型在大版本之外还要提供小版本的原因。

Medium 的内部变化

Medium 采用了改进过的 MMDiT-X 架构，Stability 特别提到，变换器（transformer）模块里的查询—键归一化（Query-Key Normalization）让训练更稳定，也让微调（fine-tuning）更简单。^[1] 在当代扩散模型里，变换器模块负责让正在绘制的图像和文字提示在每一步互相交换信息。完成交换的机制是注意力（attention）：它把一个位置上的查询向量（query，代表这个位置在找什么）与其他位置上的键向量（key，代表那些位置能提供什么）逐一比对，再按匹配分数决定从哪里取用信息。对查询和键做归一化，可以让这些分数保持在稳定的数值范围内，训练因此更平稳，微调也更容易。

Stability 表示，Medium 在这套架构之外还配合了改进的训练方法。^[1] 这个体量带来的实际好处是：个人或小团队可以在普通硬件上用自己的图片对它做适配，而 81 亿参数的模型要做到这一点就困难得多。

许可与获取方式

这些模型以 Stability AI 社区许可（Stability AI Community License）发布。该许可对非商业用途免费，对年收入低于 100 万美元的机构的商业用途也免费；规模更大的机构需要企业许可（Enterprise License）。^[1] 用户对自己生成的输出保留所有权。^[1] 这是介于完全开放许可和闭源服务之间的一条中间路线：小用户和研究者可以零成本拿到权重，规模更大的商业用户则需要付费。

模型权重发布在 Hugging Face 上，推理代码在 GitHub 上，因此可以直接下载并本地运行。^[1] 不想自己管理硬件的人，可以通过 Stability AI API 访问托管服务，也可以通过 Replicate、Fireworks AI、DeepInfra 和 ComfyUI 使用。^[1]

在系列中的位置

这次发布的核心是把选择权交给用户，而不是只提供一个权重文件。Large 面向固定专业工作分辨率下的画质；Large Turbo 把出图压缩到 4 步，用更少的采样开销换速度；Medium 则面向更低的显存占用和更宽的输出尺寸范围。^[1] 同时通过多个托管渠道分发权重、并用对小用户友好的许可发布，让这个系列同时面对个人用户和产品团队——一个模型系列是否站得住，往往不只看基准成绩，还要看人们能不能真的把它跑起来。