Stable Diffusion 3

原文 ↗ Hacker News 讨论 ↗

Stable Diffusion 3 是 Stability AI 最新的开放图像生成器版本。它因清晰的文本渲染、复杂的空间推理以及基于类似 OpenAI Sora 的新扩散 Transformer 架构所带来的写实输出而受到称赞。评论者热切期待其最终开放权重发布，并讨论在硬件需求、许可以及微调便利性（尤其是 NSFW 和小众风格）上的取舍，是否会让它取代广泛使用但更老的 SD 1.5。讨论中很大一部分聚焦于“安全”防护：一些人认为它们有助于限制深度伪造、滥用和法律风险，而另一些人则认为它们主要是在保护公司声誉、过度审查无害内容，并可能把强大的通用工具变成受严格控制的服务。

图像质量、文本与能力

  • 很多评论者认为样图“惊艳”，其中文本渲染尤其更好（招牌、标题等都能读），被视为相较之前的 SD 模型以及 Midjourney/DALL‑E 的重大进步。
  • 一个广为分享的例子（“蓝色立方体上的红色球体，绿色三角形，猫/狗在左/右”）让人印象深刻：空间关系、光照和全局照明看起来都比旧模型准确得多。
  • 也有人提到偶尔会出现构图怪异之处（例如公交车的透视），并强调在大量提示词上的可靠性仍未知。

架构、性能与硬件

  • SD3 使用扩散 Transformer（DiT）加上 flow matching，精神上类似于 Sora。
  • 目前模型规模为 800M–8B 参数；较小版本面向移动端/边缘设备，较大版本面向高端 GPU。人们讨论量化和批处理，以及消费级 GPU（例如 12 GB 显存的卡）是否仍然可行。
  • 许多人期待，只要有足够的训练数据和 GPU，这种架构也能扩展到视频和 3D。

安全、审查与滥用

  • 发布公告的措辞非常“安全导向”，引发了大量争论。
  • 一派认为：安全 = 公司/企业保护（公关、诉讼、监管机构、支付处理商），而不是用户安全。可预期的护栏主要是为了避免 CSAM、未经同意的深度伪造色情、政治/名人滥用以及种族主义输出。
  • 另一些人则认为，安全确有必要，以防骚扰（例如学校深度伪造）、诈骗（伪造文件）和与选举相关的深度伪造。
  • 也有人批评“安全”是对裸体的清教徒式执念，并可能成为更广泛意识形态控制或“思想犯罪”的载体。
  • 还有人指出，对于嵌入式使用者（应用、内网）来说，拥有一个绝不会意外输出色情或血腥内容的模型确实很有用。

NSFW、微调与开放发布

  • 历史上：SD 1.5 很快衍生出强大的 NSFW 微调；SD 2.x 因更重的审查和 CLIP 变更而普遍不受欢迎；SDXL 很受欢迎，但仍被认为更“保守”。
  • 一些 API 用户表示过度模糊的问题很严重（例如温和的人物肖像也被处理），使得 SaaS 版本不如本地模型好用。
  • 普遍预期是：一旦 SD3 权重发布，社区会出现微调版本（包括 NSFW），尽管安全技术可能更难被“还原”。

许可、开放性与商业

  • SD3 承诺在预览期后以“开放”形式发布，但确切许可证尚不清楚；近期模型（例如 Stable Cascade）限制商业转售，一些人称之为“限制性”条款，另一些人则认为这很合理。
  • 讨论中提到 Stability 需要变现（API、企业）以及完全开放权重与可持续商业模式之间的张力。

与其他模型的比较

  • 与 Gemini 相比：SD3 被认为技术范围更窄（只做图像），但政治约束可能更少；Gemini 的“多样性”失败经常被拿来作参照。
  • 与 Midjourney 和 DALL‑E 3 相比：SD 因本地可控性和生态系统（ComfyUI、LoRA、controlnet）而受赞扬；不过也有人仍觉得 Midjourney 开箱即用时能产出更好看的“艺术感”作品。