Stable Diffusion 3 Medium

Stable Diffusion 3 Medium是Stability AI於2024年6月12日開源的文本到圖像生成模型，參數規模達20億，採用多模態擴散轉換器（MMDiT）架構和16通道VAE變分自編碼器。該模型通過改進的Diffusion模型和CLIP+T5文本嵌入模型，在圖像細節捕捉、複雜提示理解及文字拼寫能力上表現突出，支持生成1024×1024解析度圖像。

2024年6月3日，Stability AI聯合執行長Christian Laforte在Computex大會上宣布開源計畫。AMD於2025年7月22日推出針對XDNA 2 NPU最佳化的Block FP16版本，可將記憶體需求降至9GB，支持在消費級硬體生成2048×2048解析度圖像。該模型雖存在人物肢體生成缺陷和中文識別短板，但通過RankDPO偏好最佳化方法，在GenEval基準測試中性能提升至0.74。其開源策略包含2B、4B、8B參數版本，適配終端設備至專業場景部署。

基本介紹

• 中文名：Stable Diffusion 3 Medium
• 類型：SD3 模型

發展歷程

2024年6月3日，站長之家訊息:Stability AI 的聯合執行長正式宣布了 Stable Diffusion 3 Medium 的開放發布日期為6月12日。

模型特點

照片真實感:克服手和臉上的常見工件，提供高質量的圖像，而不需要複雜的工作流程。

排版:在排版上獲得健壯的結果，優於更大的最先進的模型。

性能:由於其最佳化的大小和效率，非常適合消費者系統和企業工作負載。

微調:能夠從小數據集吸收細微的細節，使其完美的定製和創造力。

SD3Medium權重和代碼僅供非商業用途。