史上最强的图像生成器来了，这次不仅更逼真，甚至还会写字_风闻

那个和 Midjourney 打得难舍难分，引发了一波买显卡 “ 炼丹 ” “ 炼妹子 ” 风潮的 Stable Diffusion ，又推出船新版本了。

就在昨天晚上， Stability AI 在官网来了一波更新，预告了一波 Stable Diffusion 3。

根据介绍，新版本在多主题提示、图片质量还有文字渲染能力上都进行了次大升级，模型参数量在 800M-8B 之间，并且延续了他们家一如既往开源的优秀传统。

更重要的是，它和 Sora 一样当起了维新派，摒弃了业内常用的 U-NET 架构，加入 Transformer 和 Diffusion 结合的大家族。

而具体的原理和进步啥的，看不懂没关系，咱们过会儿再聊。

直接先来一波全新的高清无码大图，让大伙们见识下 Stable Diffusion 3 的斤两。

其中**文字渲染能力****，**是这次 Stable Diffusion 3 比较突出的一个亮点。

因为不咋识字儿、不怎么会写字儿，可以说是目前文生图、文生视频的通病了。

就拿世超用 DALL·E 3 生成的 “ Chaping 青花瓷 ” 为例，上面汉字不明所以。。。最重要的 " Chaping " 还拼写错了。。。

基本上可以说自 AI 画图不会画手之后，把文本渲染成图像里准确的文字，也是个难题。

而新版本的 Stable Diffusion ，文化水平就明显高了不少。

根据官网给出的案例，给它提示词是**“ 一辆跑车的夜间照片，侧面写着 ‘SD3’ ，汽车在赛道上高速行驶，巨大的路标上写着 ‘Faster’ 的文字 ” 。**

生成的图片不但符合描述，文字的位置也没毛病，字体也很清晰。

但当我们用同样的提示词在 DALL·E 3 生成的时候，文字渲染效果就有些一言难尽了。

Faster 倒是没错，但侧面的 SD3 没有一张图是准确的。

还有这张， Stable Diffusion 3 生成的是这样的。

而 DALL ·E 3 连 incredible 都没拼对。

只不过，现在目前的文字渲染暂时只支持英文，中文还得等上那么一段时间。

再来看这次 Stable Diffusion 3 的另一大更新——**多主题提示，**大伙儿可以把这个理解成， AI 在生成图片的过程中漏没漏提示词。

举个例子，这张图的提示词里，大致包括了宇航员、穿着芭蕾舞短裙撑着粉色雨伞的猪、戴着礼帽的知更鸟、还有角落里的 “Stable Diffusion” 几个关键。

咱先不提图片的质量如何，但该生成的东西起码 AI 都没落下。

不过有意思的是，在这条推文下有网友把同样的提示词，分别喂给了 Midjourney 、 DALLE-3 和 Bing 。

看下来， DALLE-3 、 Bing 和 Midjourney 要不就是知更鸟少了帽子，要不就是 “Stable Diffusion” 单词拼写错误，没一个能打的。

最后，是文生图模型最为关键的图像质量。

Stable Diffusion 3 也是人狠话不多， po 了一张这样的图片。

世超第一眼看到的反应：这难道不是照片？？？

手帕上的纹理还有老虎刺绣，未免有点过于逼真了吧。。。

还有这张苹果，也是能以假乱真的程度。

而之所以 Stable Diffusion 3 这次能有这么大改变，很大可能要归功于一个跟 Sora 同源的架构。

以前的 Stable Diffusion ，一般都是用 U-net 架构 + Diffusion 扩散模型。而 Transformer ，也多是用在像 GPT 类大语言模型上，两种技术各管各的。

而 OpenAI 则觉得 GPT 这把咱用Transformer打赢了，就不改 banpick 了吧。。。于是就把**Transformer 架构和 Diffusion 结合了起来，**用在视频上，一顿魔改和大力出奇迹后，就整出了 Sora 。

Stability AI 团队也是英雄所见略同，把Diffusion Transformer（ 简称 Dit 架构 ）用在了 Stable Diffusion 3 上。

有意思的是，关于 DiT 架构的论文是 AI 大佬谢赛宁和 William Peebles 一起写的。

这个 William Peebles ，正好是 Sora 团队的负责人之一。

Stability AI 的老板 Emad 也在 X （ 推特 ）上表示，这次确实用到了和 sora 类似的技术。

另外，这次 Stable Diffusion 3 还用到了一个 Flow Matching （ 流匹配 ）技术。

因为技术原理过于复杂，咱们可以简单理解成，这是一种用来训练扩散模型的方法。

如果把扩散模型比作魔法画笔，那这个流匹配的作用就是升级画笔，让画笔可以更快、更准确地画出你想要的东西。

世超估计也正是因为这个技术， Stable Diffusion 3 的文化水平才暴增的。

总而言之，光从现有的官方效果图和技术公开来看，这次 Stable Diffusion 3 的出现，又把文生图卷到了一个新高度，也证明了 Dit 架构在文生图、文生视频领域确实是个可行的新方向。

反正这么下去，保不齐下一波谁家又会拿出重磅更新。

不过大伙儿也别太焦虑，该吃吃该喝喝，要是有时间学学怎么用 AI 也行。

最后提个醒， Stable Diffusion 3 现在还没正式公测，千万别又让卖课的给骗了。

图片、资料来源：

X 、 Stability AI 、 DALL·E 3 

arXiv ，《 FLOW MATCHING FOR GENERATIVE MODELING 》

arXiv ，《 Scalable Diffusion Models with Transformers 》

部分图源网络