Stable Diffusion 版本演进与技术脉络梳理
自 2022 年 8 月首次发布以来，Stable Diffusion（以下简称 SD）在图像生成领域引发了革命性变化。从最初的开源实验到如今的多模态大模型，其技术路线经历了数次关键跃迁。本文梳理了 SD 的发展历史、架构演变及当前生态现状。
一、诞生与早期纠葛
SD 最初由 CompVis（学术团队）、Runway（工程团队）和 Stability AI（资金方）三方联合开发。CompVis 提供了潜扩散（LDM）的核心论文，Runway 负责工程落地，而 Stability AI 则贡献了算力与商业化支持。
然而，合作并未长久维持。2022 年 10 月，Runway 在 Hugging Face 发布了 SD 1.5 权重，随即引发 Stability AI 的侵权警告，双方因主导权与利益分配问题分道扬镳。此后，Stability AI 独立推进后续版本，Runway 转向视频生成，而 CompVis 回归学术。近期，Stability 核心团队出走创立 Black Forest Labs，发布了 Flux 模型，被视为 SD 技术的真正精神续作。
二、核心版本迭代历程
1. SD 1.x：开源奠基（2022 年）
这一阶段确立了社区标准。SD 1.0 至 1.3 多为内部测试版，SD 1.4 是首个正式公开版本，SD 1.5 则因画质提升成为社区主流。
- 架构：U-Net + CLIP 文本编码器。
- 分辨率：默认 512×512。
- 特点：基于 LAION-5B 数据集，参数量约 8.6 亿。SD 1.5 至今仍是微调次数最多的基础模型之一，衍生出数千个变体。
2. SD 2.x：合规与调整（2022 年底）
出于授权考量，SD 2.0/2.1 将文本编码器更换为 OpenCLIP，并过滤了部分受版权保护素材。分辨率提升至 768×768。虽然意图更好，但因人体结构生成能力下降，社区接受度一度不如 1.5。
3. SDXL：高清飞跃（2023 年）
SDXL 实现了架构层面的重大升级。参数量扩展至 35 亿，采用双文本编码器（CLIP + T5），原生支持 1024×1024 分辨率。色彩还原、人体结构准确性显著提升，迅速成为商用首选。随后衍生了 SDXL Turbo 等极速版本。
4. SD 3 与 3.5：Transformer 时代（2024 年）
SD 3 引入了多模态扩散 Transformer（MMDiT）架构，用 Transformer 替代 U-Net，并新增 T5 文本编码器，大幅提升了文字渲染能力和复杂提示词遵循度。SD 3.5 进一步优化了速度与质量，推出了中型版以适配更低算力成本，成为 2025–2026 年商业集成的热门选择。
| 版本 | 发布时间 | 参数量 | 默认分辨率 | 架构 | 关键改进 |
|---|---|---|---|---|---|
| SD 1.5 | 2022.10 | ~860M | 512×512 | U-Net + CLIP | 社区基准 |