AI生图格局大震！Stable Diffusion 3开源倒计时，2B单机可跑碾压闭源Midjourney

声明:本文来自于微信公众号新智元（ID:AI_era），作者:新智元，授权转载发布。

重磅消息!Stable Diffusion3，大概率会在明天开源。距离2月SD3的横空出世，已经过去了4个月。如果此事为真，生图圈子第一个出现开源碾压闭源的奇景!强大的MMDiT全新架构，将彻底改变AI生图的格局。现在，全体AI社区都在翘首以盼。

万众瞩目的Stable Diffusion3，终于要正式开源了!

几天前，在Computex2024大会上，Stability AI联合首席执行官Christian Laforte正式官宣:SD3Medium将在6月12日公开发布。

据悉，之后还会开源4B和8B的版本。

消息一出，网友们就激动地奔走相告。

种种迹象表明，SD3明天的开源应该是铁板钉钉了。

目前，ComfyUI已经提交了对SD3支持的版本。

网友表示，如果此事是真的，那可就太疯狂了，生图圈子将成第一个开源碾压闭源的赛道!

这边AI生图王者Midjourney刚刚放出功能更新，网友们就在评论区纷纷留言:SD3一旦开源，你们就完蛋了。

网友们纷纷搬好板凳，坐等SD3的权重发布了。

欠债1亿的独角兽，仍坚持做开源英雄?

两个月前，Stable Diffusion3一横空出世，立刻在人类偏好评估中斩下DALL-E3和Midjourney v6，一举成为该领域的SOTA。

因为攻克了AI图像生成领域著名的正确性测试，SD3一时名声大噪，引发了极大热度。

虽然放出的模型效果惊艳全网，但选择开源也让公司的收入入不敷出。随后就是满身黑历史的CEO跑路、人才出走等负面事件，让Stability AI这头独角兽的前途风雨飘摇，一度陷入欠下1亿美元的卖身传闻。

在鼎盛时期的Stability AI收到过不少橄榄枝，却断然拒绝收购。然而亏损超3000万美元、拖欠1亿美元账单的事实，揭示了所有开源公司共同的困境——

如果选择将代码、权重和产品API免费开放，即便保留部分高级功能，也很难吸引到付费用户。

如果在这种情况下，SD3依然坚持开源，叫Stability AI一声开源英雄绝不为过。

强大的架构、更好的明暗对比度、提示遵循、训练结果、模型合并、图像分辨率……SD3的开源给我们带来的贡献可太多了!

现在，所有人都在翘首以盼。

将对开源社区影响重大

Stable Diffusion3的开源，为何意义如此重大?

在reddit的StableDiffusion社区，一位网友给出了以下总结，让我们从非技术视角，理解SD3的重要性，以及对AI社区的重大影响。

作者表示，自己希望能让外行人都明白，为何Stable Diffusion3如此重要。

曾经Stable Diffusion的开源，就改变了游戏规则

VAE是无名英雄

VAE（变分自编码器）非常特别，因为它让提供了16个通道的特征和颜色数据供我们使用，而之前的模型只有4个通道。

下面的四张图显示出，这将产生多大的影响。

Emu论文地址:https://arxiv.org/pdf/2309.15807

这也就意味着，模型在训练时会捕获更多细节。

不仅模型的质量会更好，而且实际上会带来更快的训练速度，从而使主要的MMDiT模型（也就是实现生成的主要模型）能够更好地捕捉细节。

感兴趣的读者可以阅读下面这篇技术性解读:

文章地址:https://huggingface.co/blog/TimothyAlexisVass/explaining-the-sdxl-latent-space#the-8-bit-pixel-space-has-3-channels

与旧的模型相比，新的16通道VAE在512x512分辨率下的表现，可以说令人难以置信——即使在较小的图像尺寸下，通道维度上的特征数量也足以捕捉到很好的细节。

为了更好地说明这一点，我们可以用视频领域的标准来做个类比——

VHS和DVD都是标准定义的480i/480p，但DVD显然捕捉到了更多细节，甚至在硬件和软件的升频器上表现也很好。

或者，可以用复古游戏玩家的说法来类比——

- 复合视频线（Composite cables） -> SD1.X的VAE

- S-Video线 -> SDXL的VAE

- 组件视频线（Component cables） -> SD3的VAE

因此，将VAE应用到如今我们的AI工作流程中，一切都将变得更加高效。

在视频生成方面，则可以在低分辨率下训练以适应虚拟内存（VRAM），然后通过分辨率增强流程来保留细节。

我们不需要训练/微调文本编码器了

众所周知，训练文本编码器可以提升基于SD1.X模型和SDXL模型的性能。

然而在这位网友看来，从长远来看，这其实是低效的，因为在实际应用中存在大量的微调和模型合并。

这会在推理过程中导致大量的重新加权，从而引起混乱，使得在创作过程中捕捉细节变得更加困难。

虽然在小规模应用中可以这样做，但随着社区的扩大，训练文本编码器就变得极其繁琐了。

从技术角度来看，CLIP模型本身就很难训练和微调，因此如果尝试同时处理三个模型，可能会面临一场艰难的苦斗。

而现在，我们或许根本不需要微调文本编码器了!

第一个原因是，VAE相比旧模型，捕捉了更多的细节。

第二个原因则是，无论我们使用哪种变体，SD3都经过了适当且鲁棒的caption训练，以捕捉大多数人认为重要的所有细节。

在SD3中，可以让新的架构和VAE为我们捕捉这些细节，这样我们就可以更好地利用多个LoRA模型，实现更鲁棒的生成。

加速新的AI研究

目前，生成式AI社区和LLM社区之间还缺乏一定的协作。

在这位网友看来，随着MMDiT架构更好地与LLM社区对齐，会有更多的开发者进入生成式AI社区，带来大量丰富的研究和方法。

这将造成的影响，或许是十分重大的。

此前，LLM社区就创建了很多应用于生成式AI的伟大方法（比如LoRA就是从文本建模中派生出来的），然而，由于架构之间缺乏互操作性操作性(当前SD使用的是UNet，SD3使用的是Transformer块)，会让许多人望而却步。

如果两个领域的开发者和研究者开始合作，扩展许多跨领域的多模态功能，比如文本、图像、音频、视频等，比如会创造出许多独属于开源社区的非常棒的体验。

旧方法更加完善

自从Stable Diffusion诞生以来，我们可以在眨眼间生成图像、视频、音频，甚至3D模型。

如今在谷歌Scholar上，关于Stable Diffusion的论文已经有7500多篇了。

微调方法、ControlNet、适配器、分段方法等理论，在SD上应该会比从前的架构表现得更好。

而且因为架构简单，模型会变得更易访问和使用。

事实上，由于SD3的强大图像-文本对齐和VAE，有些方法可能我们再也不需要了。

比如在音频扩散、视频扩散和3D扩散模型领域，就可以在新架构上用这些方法训练，进一步提高模型的质量和鲁棒性。

显然，ControlNets和适配器会变得更好，因为SD3实际上是使用多模态架构构建的。

这也就意味着，SD3在不同模态之间，会有更好的关系理解。

如今我们在构建新方法时，就可以在同一空间内利用这些模态，再结合上更好的文本理解和强大的VAE，SD3的前途简直不可限量!

CEO跑路，开源成谜

赶在2月份的时候，Stable Diffusion迭代到了第3个版本。

然而仅一个月的时间，背后核心团队却被曝出集体离职。

更让人意想不到的是，身为CEO的Emad也紧跟辞职，退出了董事会。

显然，SD3随后的开源，也变得迷雾重重。

当时，外界的猜测是，Stability AI的动荡是Emad一手酿成的。

彭博对20位现任前任员工、投资者等采访了解到，Emad在治理公司方面缺乏经验，组织结构混乱。

更有甚者，公司还习惯性地拖欠工资和税款。

Emad近日又成立了一家初创公司Schelling AI，专注去中心化AI系统

其实， 在23年底，公司内部不稳定的现象已经出现了苗头。

作为联创之一的Cyrus Hodes便起诉Emad是个骗子。

他指控，在公司进行重大融资几个月前，Emad曾诱骗自己以100美元价格出售15%股份。

其实，Stability AI创立之后，便以模型开源深受社区关注和好评。

它先后发布了多款模型全家桶，包括语言模型Stable LM、视频模型Stable Video Diffusiion、音频模型Stable Audio。

而比起具有里程碑意义的Stable Diffusion，一代和二代模型系列在开源社区有300-400万下载量。

在开源背后，需要的是Stability AI不断开启烧钱模式。

但显然，这种入不敷出的方式，根本无法支撑这家公司持续性发展。

前段时间，Information爆料称，Stability AI第一季度的营收不足500万美元。而且，公司亏损超过了3000万美元，还对外拖欠了近1亿美元的巨额账单。

更有传闻称，Stability AI正寻求卖身。

而在SD3发布之后，官方宣布称在对齐之后正式开源，结果等了3个多月，依然只是API的开放。

有Reddit网友在线发起了提问，为Stability AI寻求赚钱出路，以保证SD3能够顺利放出。

20亿参数版本先上线

好在，ComputeX大会上，终于等到了SD3的官宣开源。

一些网友纷纷收到了Stability AI邮件，即将开源的SD3Medium是一个20亿参数的模型。

不过，有人对此质疑道，Stability AI愚弄了所有的人，他们开源的是一个名为『SD3Medium』的模型，其实内部还有Large和X-Large版本还未发布，这才是人们期待的真正的SD3。

关于更大版本的开源，Stability AI自家员工表示，40亿、80亿参数的版本未来都将会陆续上线。

Stable Diffusion3技术回顾

SD3的诞生已经在图像质量、多个对象、拼写能力方面，都得到了显著提升，让AI生图再创新里程碑。

发布当天，前CEO Emad承诺道，SD3未来将会开源，目前还在测试阶段。

甚至，它还涌现出了对物理世界的理解。

紧接着3月，Stability AI公布了新模型最详实的技术报告。

论文中，首次介绍了Stable Diffusion3背后核心技术——改进版的Diffusion模型和一个基于DiT的文生图全新架构!

论文地址:https://stabilityai-public-packages.s3.us-west-2.amazonaws.com/Stable+Diffusion+3+Paper.pdf

与之前的版本对比，SD3明显在图像质量生成上，实现了很大的改进，不仅支持多主题提示。

最重要的是，文字拼写的效果也变好了。

这一切竟是因为，其背后框架的改进和创新。

它用上了与Sora同样的DiT架构，灵感来源于纽约大学助理教授谢赛宁的研究。

而在以前的Stable Diffusion版本中，并未采用Transformer技术。

在文生图的任务中，SD3需要同时考虑文本+图像两种模态。

因此，研究者提出了一种全新的架构，称为——MMDiT（多模态Diffusion Transformer），专为处理这种多模态的能力。

具体而言，模型采用了三种不同的文本嵌入模型——两个CLIP模型和一个T5，来处理文本信息。

与此同时，还采用了一个自编码模型来编码图像token。

因为文本和图像嵌入在概念上有很大不同，下图右中可以看出，研究者对两种模态使用了两种不同的权重。

基于这种独特的架构，使得图像和文本信息之间可以相互流动和交互，从而在生成的结果中提高对内容的整体理解和视觉表现。

而且，这种架构未来还可以轻松扩展到其他包括视频在内的多种模态。

实验评估中，SD3在人类偏好评估中超越了DALL-E3和Midjourney v6，成为该领域的SOTA模型。

而且，SD3是一个模型系列，提供了8亿到80亿参数版本，意味着可以在终端设备可跑，大大降低了AI应用的门槛。

网友们对此激动不已，纷纷催更他们快速上线。

SD3开源倒计时开启，接下来坐等上手了。

参考资料:

https://x.com/op7418/status/1800455685068771643

https://x.com/StabilityAI/status/1797462536117444794

https://www.reddit.com/r/StableDiffusion/comments/1d6t0gc/sd3_release_on_june_12/

https://www.reddit.com/r/StableDiffusion/comments/1dcuval/comment/l80v9an/?utm_source=share&utm_medium=web3x&utm_name=web3xcss&utm_term=1&utm_content=share_button