Stable Diffusion 3.5 Large

🚀 稳定扩散3.5大模型

稳定扩散3.5大模型是一款多模态扩散变换器（MMDiT）文本到图像生成模型，在图像质量、排版、复杂提示理解和资源效率方面表现出色，能根据文本提示生成高质量图像。

🚀 快速开始

安装依赖

升级到最新版本的 🧨 diffusers库

pip install -U diffusers

运行示例代码

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")

image = pipe(
    "A capybara holding a sign that reads Hello World",
    num_inference_steps=28,
    guidance_scale=3.5,
).images[0]
image.save("capybara.png")

✨ 主要特性

稳定扩散3.5大模型 是一款多模态扩散变换器（MMDiT）文本到图像模型，在图像质量、排版、复杂提示理解和资源效率方面性能有所提升。

📦 安装指南

安装diffusers库

pip install -U diffusers

安装bitsandbytes库（用于模型量化）

pip install bitsandbytes

💻 使用示例

基础用法

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large", torch_dtype=torch.bfloat16)
pipe = pipe.to("cuda")

image = pipe(
    "A capybara holding a sign that reads Hello World",
    num_inference_steps=28,
    guidance_scale=3.5,
).images[0]
image.save("capybara.png")

高级用法

模型量化

from diffusers import BitsAndBytesConfig, SD3Transformer2DModel
from diffusers import StableDiffusion3Pipeline
import torch

model_id = "stabilityai/stable-diffusion-3.5-large"

nf4_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)
model_nf4 = SD3Transformer2DModel.from_pretrained(
    model_id,
    subfolder="transformer",
    quantization_config=nf4_config,
    torch_dtype=torch.bfloat16
)

pipeline = StableDiffusion3Pipeline.from_pretrained(
    model_id, 
    transformer=model_nf4,
    torch_dtype=torch.bfloat16
)
pipeline.enable_model_cpu_offload()

prompt = "A whimsical and creative image depicting a hybrid creature that is a mix of a waffle and a hippopotamus, basking in a river of melted butter amidst a breakfast-themed landscape. It features the distinctive, bulky body shape of a hippo. However, instead of the usual grey skin, the creature's body resembles a golden-brown, crispy waffle fresh off the griddle. The skin is textured with the familiar grid pattern of a waffle, each square filled with a glistening sheen of syrup. The environment combines the natural habitat of a hippo with elements of a breakfast table setting, a river of warm, melted butter, with oversized utensils or plates peeking out from the lush, pancake-like foliage in the background, a towering pepper mill standing in for a tree.  As the sun rises in this fantastical world, it casts a warm, buttery glow over the scene. The creature, content in its butter river, lets out a yawn. Nearby, a flock of birds take flight"

image = pipeline(
    prompt=prompt,
    num_inference_steps=28,
    guidance_scale=4.5,
    max_sequence_length=512,
).images[0]
image.save("whimsical.png")

微调

请参考 微调指南。

📚 详细文档

模型描述

• 开发者： Stability AI
• 模型类型： MMDiT文本到图像生成模型
• 模型说明： 该模型根据文本提示生成图像。它是一个 多模态扩散变换器，使用三个固定的预训练文本编码器，并采用QK归一化来提高训练稳定性。

许可证

• 社区许可证： 免费用于研究、非商业用途，以及年收入低于100万美元的组织或个人的商业用途。更多详情请见 社区许可协议。请访问 Stability AI 了解更多信息，或 联系我们 了解商业许可详情。

模型来源

• ComfyUI： Github，示例工作流
• Huggingface Space： Space
• Diffusers：见下文
• GitHub：GitHub
• API端点：
  • Stability AI API
  • Replicate
  • Deepinfra

模型性能

请参阅 博客 了解我们关于提示遵循度和美学质量的比较性能研究。

文件结构

点击此处访问 文件和版本标签

│
├── text_encoders/  
│   ├── README.md
│   ├── clip_g.safetensors
│   ├── clip_l.safetensors
│   ├── t5xxl_fp16.safetensors
│   └── t5xxl_fp8_e4m3fn.safetensors
│
├── README.md
├── LICENSE
├── sd3_large.safetensors
├── SD3.5L_example_workflow.json
└── sd3_large_demo.png

** 以下文件结构用于diffusers集成 **
├── scheduler/
├── text_encoder/
├── text_encoder_2/
├── text_encoder_3/
├── tokenizer/
├── tokenizer_2/
├── tokenizer_3/
├── transformer/
├── vae/
└── model_index.json

使用方式

预期用途

预期用途包括以下方面：

• 生成艺术作品，并用于设计和其他艺术创作过程。
• 用于教育或创意工具。
• 对生成模型进行研究，包括了解生成模型的局限性。

模型的所有使用必须符合我们的 可接受使用政策。

非预期用途

该模型并非用于生成事实性或真实反映人物或事件的内容。因此，使用该模型生成此类内容超出了该模型的能力范围。

安全

作为我们以安全为设计理念和负责任的人工智能部署方法的一部分，我们采取了深思熟虑的措施，确保从开发的早期阶段就保证模型的完整性。我们在模型开发的整个过程中实施了安全措施。我们已经实施了安全缓解措施，旨在降低某些危害的风险，但我们建议开发人员根据其特定用例进行自己的测试并应用额外的缓解措施。 如需了解更多关于我们的安全方法，请访问我们的 安全页面。

完整性评估

我们的完整性评估方法包括结构化评估和针对某些危害的红队测试。测试主要以英语进行，可能无法涵盖所有可能的危害。

已识别的风险和缓解措施

• 有害内容： 我们在训练模型时使用了经过过滤的数据集，并实施了保障措施，试图在实用性和防止危害之间取得适当的平衡。然而，这并不能保证所有可能的有害内容都已被去除。所有开发人员和部署人员应谨慎行事，并根据其特定的产品政策和应用用例实施内容安全防护措施。
• 滥用： 技术限制以及对开发人员和最终用户的教育有助于减轻模型的恶意应用。所有用户都必须遵守我们的 可接受使用政策，包括在应用微调和平提示工程机制时。请参考Stability AI可接受使用政策，了解我们产品的违规使用信息。
• 隐私侵犯： 鼓励开发人员和部署人员采用尊重数据隐私的技术，遵守隐私法规。

联系我们

请报告模型的任何问题或联系我们：

• 安全问题： safety@stability.ai
• 安全漏洞： security@stability.ai
• 隐私问题： privacy@stability.ai
• 许可证和一般问题： https://stability.ai/license
• 企业许可证： https://stability.ai/enterprise

🔧 技术细节

实现细节

• QK归一化： 实现QK归一化技术以提高训练稳定性。
• 文本编码器：
  • CLIPs：OpenCLIP-ViT/G，CLIP-ViT/L，上下文长度77个标记
  • T5：T5-xxl，在训练的不同阶段上下文长度为77/256个标记
• 训练数据和策略： 该模型在多种数据上进行训练，包括合成数据和经过过滤的公开可用数据。

有关原始MMDiT架构的更多技术细节，请参考 研究论文。

📄 许可证

本模型根据 Stability社区许可证 发布。请访问 Stability AI 了解更多信息，或 联系我们 了解商业许可详情。