2025最新如何在本地部署 Stable Diffusion3.5超详细完整教程

2025最新如何在本地部署 Stable Diffusion3.5超详细完整教程

在本地部署 Stable Diffusion 3.5:让 AI 绘图更便捷

前言

随着人工智能的快速发展,图像生成技术日益成熟,Stable Diffusion 3.5 作为一款强大的 AI 绘图工具,广泛应用于设计师、创作者等人群的视觉内容生成。它能够通过文本提示生成高质量图像,且具备较高的可控性和细腻的生成效果。

然而,默认情况下,Stable Diffusion 3.5 仅能在局域网内运行,远程操作或者出门时调整参数、查看进度会受到限制。在本文中,我们将通过本地部署的方式,帮助您克服这一限制,实现更加灵活的使用。

提示:不同型号的 Stable Diffusion 对硬件要求有所不同。以 Large Turbo 版本为例,推荐配备至少 8GB 显存以保证流畅运行。
文章目录在本地部署 Stable Diffusion 3.5:让 AI 绘图更便捷前言1. 本地部署 ComfyUI环境准备步骤 1:下载 ComfyUI步骤 2:选择合适的脚本步骤 3:启动 ComfyUI步骤 4:设置中文语言2. 下载 Stable Diffusion 3.5 模型模型选择步骤 1:下载模型文件步骤 2:下载 Clip 编码器文件步骤 3:运行 ComfyUI 服务3. 演示文生图步骤 1:加载示例工作流步骤 2:设置模型步骤 3:输入提示词并生成图像总结

1. 本地部署 ComfyUI

环境准备

  • 操作系统:Windows 11 专业版
  • 显卡要求:至少 8GB 显存

步骤 1:下载 ComfyUI

访问 ComfyUI 的官方 GitHub 页面,下载最新版的免安装版:

打开 GitHub 页面后,找到免安装版并下载解压至本地目录。

ComfyUI GitHub 下载页面

步骤 2:选择合适的脚本

在解压后的文件夹中,您会看到 run_cpurun_nvidia_gpu 两个脚本。run_cpu 是通过 CPU 解码,而 run_nvidia_gpu 则是通过 NVIDIA 显卡加速,后者运行速度更快。

选择适合您硬件的脚本,双击运行。

ComfyUI 运行脚本

步骤 3:启动 ComfyUI

运行脚本后,打开浏览器并访问 http://127.0.0.1:8188,即可进入 ComfyUI 的控制界面。

ComfyUI 页面

默认界面是英文,我们接下来设置为中文,以便更好地进行操作。

步骤 4:设置中文语言

  1. 下载中文语言包:中文插件下载链接
  2. 将解压后的文件放入 ComfyUI 根目录下的 custom_nodes 文件夹中。
中文语言包配置
  1. 回到 ComfyUI,进入设置并选择中文语言。
ComfyUI 设置中文

至此,ComfyUI 界面已经切换为中文,操作更加直观。

2. 下载 Stable Diffusion 3.5 模型

模型选择

Stable Diffusion 3.5 系列有多个版本,本教程使用的是 Stable Diffusion 3.5 Large Turbo 版本。

  • Stable Diffusion 3.5 Large:适合需要高质量图像的专业用户,建议使用 16GB 以上显存。
  • Stable Diffusion 3.5 Large Turbo:速度更快,生成过程更高效,推荐 8GB 显存。
  • Stable Diffusion 3.5 Medium:较为轻量,适合消费级硬件。

点击以下链接下载 Large Turbo 版本模型文件:

步骤 1:下载模型文件

在下载页面找到 sd3.5_large_turbo.safetensors 文件,并将其保存到 ComfyUI 的 models/checkpoint 文件夹中。

模型下载

步骤 2:下载 Clip 编码器文件

接下来,下载以下 Clip 编码器文件并将其保存至 ComfyUI 的 models/clip 文件夹中:

Clip 编码器下载

步骤 3:运行 ComfyUI 服务

回到 ComfyUI 根目录,运行一键脚本启动服务。

3. 演示文生图

步骤 1:加载示例工作流

将下载的 SD3.5L_Turbo_example_workflow.json 文件拖入 ComfyUI 界面中。

加载工作流

步骤 2:设置模型

在左侧的 Clip 设置中,选择刚刚下载的模型。

设置模型

步骤 3:输入提示词并生成图像

在中间的 CLIP 文本编码器中输入提示词,点击右侧的“添加提示词队列”按钮。

生成图像

生成图像后,您就可以看到在本地成功运行的 Stable Diffusion 3.5 模型生成的图像,操作更加便捷。

总结

恭喜您!通过本教程,您已经成功在本地部署了 Stable Diffusion 3.5 模型,并搭建了自己的 AI 绘画工作站。以下是整个部署过程的总结:

  • 第一步:搭建工作台
    • 下载并解压 ComfyUI 免安装版。
    • 启动服务,安装中文插件,完成环境配置。
  • 第二步:安装模型
    • 下载并安装 Stable Diffusion 3.5 Large Turbo 模型及所需的 Clip 编码器。
    • 将模型文件准确放入 ComfyUI 对应文件夹。
  • 第三步:启动并测试
    • 重启 ComfyUI 服务,加载示例工作流。
    • 输入提示词并生成第一张图像。

您已成功完成本地部署,并可以开始探索更多的功能和高级工作流。如果您希望将其转换为公网地址,便于远程访问,建议参考相关教程进行配置。

感谢您跟随本教程完成部署,祝您的创作之旅愉快!

Read more

OpenClaw 中 web_search + web_fetch 最佳实践速查表

OpenClaw 中 web_search + web_fetch 最佳实践速查表

OpenClaw 中 web_search + web_fetch 最佳实践速查表 摘要:本文帮助读者明确 OpenClaw 网络搜索工具和不同搜索技能的的职责边界,理解“先搜索、再抓取、后总结”的最佳实践,并能更稳定地在 OpenClaw 中使用 tavily-search 与 web_fetch 完成网络信息搜索任务。主要内容包括:解决 OpenClaw 中 web_search、tavily-search、web_fetch、原生 provider 与扩展 skill 容易混淆的问题、网络搜索能力分层说明、OpenClaw 原生搜索 provider 与 Tavily/Firecrawl 扩展 skill 的区别、标准工作流、提示词模板、

【AI开发入门】从小白到专家:AI应用开发工程师全指南,岗位认知到实战落地!

【AI开发入门】从小白到专家:AI应用开发工程师全指南,岗位认知到实战落地!

一、解码AI应用开发工程师:大模型时代的落地者 在投身AI应用开发学习前,先锚定岗位核心身份,才能让后续的学习之路不偏航。如今频繁出现在招聘启事里的“AI应用开发工程师”,也常被称作大模型应用开发工程师,堪称连接前沿大模型技术与商业价值的“桥梁型”人才。 与聚焦算法创新、模型训练的AI算法工程师不同,这个岗位的核心使命是“落地”——把OpenAI、通义千问等大模型的抽象能力,转化为企业能直接使用的产品和服务。它绝非简单调用API的“工具使用者”,而是需要构建一套包含数据处理、逻辑编排、部署运维的完整系统。随着ChatGPT等大模型引爆产业变革,这类“能让AI干活”的工程师,已成为互联网、金融、医疗等行业争抢的香饽饽。 举个直观例子:当企业需要一套智能客服系统时,算法岗可能在优化对话生成的流畅度,而AI应用开发工程师则要负责对接企业知识库、设计用户意图识别逻辑、通过RAG技术提升回答准确性,最终把这些能力打包成稳定运行的服务,还得考虑并发量、响应速度等工程问题。 二、岗位画像:企业到底要什么样的人才? 多数人学习AI应用开发的终极目标是就业,因此在学习初期就摸清招聘市场的“需

OpenClaw联网工具完全指南:让AI获取实时信息的能力最大化

OpenClaw联网工具完全指南:让AI获取实时信息的能力最大化

手把手教你一键部署OpenClaw,连接微信、QQ、飞书、钉钉等,1分钟全搞定! 最近很多人都在玩OpenClaw(就是那个挺火的AI助理,大家都叫它“龙虾”),部署完后就兴冲冲地给它派活。 比如有位朋友让小助理查查AI硬件的最新进展,结果折腾半天,AI最后回了一句:办不到。甚至查一些国内的信息也经常碰壁。 我也吃过这种亏,这几天花时间钻研了一下,总算把这事搞明白了。今天就来跟大家唠唠,OpenClaw的联网搜索能力到底是怎么一回事? 手把手教你一键部署OpenClaw,连接微信、QQ、飞书、钉钉等,1分钟全搞定! 一、自带的工具(其实挺鸡肋) OpenClaw出厂自带了三个联网工具:web_search、web_fetch和browser。 web_search这玩意儿本质是个搜索接口,但它非得要Brave的API KEY才能动。这KEY特别难搞,所以大部分人的小助理搜不到东西,主要是因为有枪没子弹。 web_fetch是用来读网页的。你直接甩给它一个链接,它能把里面的内容抓出来。这个功能倒还算靠谱,能正常干活。 手把手教你一键部署OpenClaw,连接微信、

临界点:DeepSeek v4 会在本周末发布吗?外置记忆、IPO 潮与 AI 圈的“终局大筛选”

如果说 2025 年初的 DeepSeek R1 是一场对全球算力霸权的“冷暴力”,那么此刻传闻将在本周末(2026 年 3 月初)降临的 DeepSeek v4,则更像是一场对大模型物理局限性的“降维打击”。 就在刚刚过去的“两会”开幕前夕,关于 DeepSeek v4 优化的风声已传遍硅谷与中关村。这一次,它不再只是在卷逻辑推理,而是要在**“模型架构”**上彻底翻篇。 一、 “外置记忆”革命:DeepSeek v4 的技术杀手锏 要理解 v4,必须深挖其在 2025 年至 2026 年初发布的一系列重磅论文,尤其是关于 Engram(Conditional Memory via Scalable Lookup) 的研究。