Stable Diffusion 3
Stability AI · 圖片
Stable Diffusion 3 是 Stability AI 的開源權重文字生成圖片模型，擅長處理多主體場景，也能把圖片裡的短文字寫得清楚可讀。
關於 Stable Diffusion 3
About
什麼是 Stable Diffusion 3
Stable Diffusion 3 是 Stability AI 推出的開源權重文字生成圖片模型。你給它一段文字描述，它回傳一張圖。工作內容和 Midjourney、DALL·E 接近，但有一點差異會直接決定許多團隊買不買單：權重可以下載，模型能跑在自己控制的硬體上。
Stability 在 2024 年 2 月發表 SD3 系列，同年 6 月開放 Medium 版本。Medium 有 20 億個參數，80 億參數的版本則留在官方應用程式與 API 的付費存取後面。模型內部把多模態擴散 Transformer（MMDiT）和 16 通道 VAE 搭在一起，意思是文字與影像區塊一起處理，而不是在影像生成器外面硬接一個文字讀取器。
和舊版 Stable Diffusion 相比，差別最明顯的地方是聽話程度。人多的場景不會糊成一團，手指和小物件出錯的次數變少，圖片裡的短字串經常可以直接讀。最後這一點，把不少海報與樣機的工作拉到 SD3 上。
有個限制要先講。Stability 在 2025 年 4 月關掉自家 API 的 SD3 端點，把呼叫端轉到 Stable Diffusion 3.5。權重還在 Hugging Face，第三方主機也還在供應這個模型，但如果你的規劃建立在官方 Stability API 上，實際上已經是 3.5。
開始使用
- 建立 Hugging Face 帳號，在 stable-diffusion-3-medium 頁面接受授權，接著下載權重或安裝 diffusers 版本。
- 挑一個執行環境。ComfyUI 適合節點式流程，Automatic1111 適合習慣表單設定的人，diffusers 函式庫則適合 Python 腳本與批次工作。
- 以 1024x1024 左右載入模型，提示詞寫成描述性的句子。SD3 對一句描述場景的話反應更好，堆一整排逗號標籤反而效果差。
- 固定種子，先產一小批，再針對出錯的地方改提示詞，不要盲目重抽。把跑得順的設定存下來，之後才能重現同樣的風格。
產品資訊
快速了解 Stable Diffusion 3 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 插畫家與概念設計師：手上有一個本機的 AI 圖像生成器，不必按張計費，畫一百張草圖只花電費。入門門檻是一張約 10 GB 記憶體的新世代顯示卡。
- 有客戶保密條款的設計工作室：模型跑在內部時，提示詞與成品都不會離開工作室網路，這在未公開的產品照與 行銷視覺上很關鍵。
- 要把圖片功能做進應用程式的開發者：開源權重加上 diffusers 整合，可以針對自家風格做微調，而 Community License 也涵蓋營收門檻以下的商業用途。
- 想弄懂擴散模型怎麼運作的玩家：權重、LoRA 工具與 ComfyUI 的節點圖，把內部結構攤開來看，托管式工具做不到這件事。
任務
- 海報與包裝樣機：排版能力提升之後，短標題或產品名稱常常一次就寫對，等於省掉一輪進 Photoshop 修字的工序。
- 多主體場景草圖：提示詞同時點名三、四個元素，例如一隻狗、一輛腳踏車、一扇紅門，位置準確度比 SD 1.5 或 SDXL 高出一大截。
- 拍攝前先試風格：攝影師可以用很低的成本測光線與取景方向，再把選定的方向帶到現場。
- 遊戲與應用程式的素材量產：寫一支腳本，一個晚上就能在單一工作站上跑出幾百個圖示或道具的變化版本。
情境
- 簽了 NDA 的工作室專案：所有檔案留在本機硬碟，不必回答客戶關於第三方資料留存的問題。
- 已經在用 ComfyUI 的團隊：SD3 Medium 直接插進既有節點圖，流程照跑，不用再多一筆訂閱。
- 影像模型研究：開源權重讓測試可重現，也能做消融實驗，封閉式 API 沒辦法支援這些。
主要功能
MMDiT 架構
SD3 在每個區塊都讓文字 token 與影像 token 互相關注，而不是把整段提示詞壓成一個向量。結果是長而具體的指令更容易被完整執行。提示詞同時講主體、材質與光線條件時，通常三項都會被照顧到。
圖片內的清晰文字
短單字與標籤出現可讀內容的機率，比 SDXL 高出許多。海報大標、店招、包裝文案現在都是實際可用的目標。長段落還是會崩，所以文字控制在幾個字以內比較穩。
擁擠場景的準確度
模型能同時處理多個主體，不會把它們揉成一團。提示詞要求兩人在廚房握手、流理台上有一隻貓，通常這些元素都會出現，位置也大致正確。構圖還是會飄，再跑一次局部重繪就能修掉。
20 億參數的 Medium 版本
Medium 小到可以跑在單張消費級顯示卡上，1024x1024 的成品仍有商業水準。這個組合讓它成為一般人下載 SD3 的預設選擇，80 億參數的版本則留在付費存取之後。
開源權重與微調
完整權重放在 Hugging Face，diffusers 函式庫用幾行 Python 就能載入。LoRA 訓練、ControlNet 轉接器、自訂排程器都能用，工作室就是這樣在基礎模型上養出一致的品牌風格。
彈性的長寬比
SD3 以一百萬像素為中心訓練，1024x1024、1344x768、768x1344 都落在舒適區間。直式與橫式畫面不需要事後裁切，構圖在這些比例下也維持穩定。
優缺點
優點
- 開源權重意味著模型放在本機之後，沒有按張計費、沒有排隊，你和成品之間也沒有內容過濾。
- 文字渲染是真的進步，海報與包裝工作少掉一段繁瑣的修字流程。
- 多主體提示詞能維持結構，複雜場景草稿需要的重試次數明顯下降。
- Stable Diffusion 3 Medium 版本跑得動單張消費級顯示卡，周邊工具（ComfyUI、diffusers、LoRA）也已經成熟。
缺點
- Stability 在 2025 年 4 月關閉 SD3 的 API 端點，官方托管路線現在供的是 3.5。需要原廠最新 API 的團隊得把這件事算進規劃。
- 20 億參數模型在細節與照片擬真上落後旗艦模型，尤其是皮膚質感與遠處人臉。
- 地端執行代表硬體成本、驅動更新與模型檔案都得自己扛，對小團隊來說是實打實的工作量。
- Community License 的免費額度停在年營收 100 萬美元，公司長大之後終究要買企業授權。
常見問題
權重可以免費下載，Community License 涵蓋研究用途，以及年營收 100 萬美元以下組織的商業使用。超過這條線就需要向 Stability AI 取得企業授權。托管的 API 呼叫則依你選的供應商按張計費。
相關內容
探索與 Stable Diffusion 3 相關的工具、技能與文章。
Stable Diffusion 3 替代方案
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
Tractionwave
TractionWave · 圖片 · 行銷TractionWave 是針對靜態廣告的 AI 注意力熱圖工具。上傳 PNG 或 JPG，就能取得預測注意力、排序後的熱點與修正建議，不必等預算花完才知道問題在哪。
Imejis.io
Imejis.io · 圖片 · 行銷Imejis.io 是給代理與行銷團隊使用的 AI 設計工作室。你用日常說法描述一張圖，它會寫好文案、排出版面、自動調整成各種尺寸，最後匯出完成檔。