懂AI
stable-diffusion-3.5-medium

stable-diffusion-3.5-medium

MMDiT-X高效能文本到图像生成技术

Stable Diffusion 3.5 Medium是一款MMDiT-X模型，提升文本到图像生成的图像质量和资源效率。通过多模态扩散变压器结合QK标准化技术，该模型在多分辨率生成和文本理解方面表现出色，适合设计、创作与研究领域，年收入低于100万美元的用户可免费使用。

多模态扩散变压器文本生成图像QK正则化Stable Diffusion图像质量提升HuggingfaceGithub开源项目模型
访问官网GitHubHugging Face论文文档

项目介绍：Stable Diffusion 3.5 Medium

项目概述

Stable Diffusion 3.5 Medium 是由 Stability AI 开发的一种名为多模态扩散变换器（Multimodal Diffusion Transformer，简称 MMDiT-X）的文本到图像生成模型。该模型在图像质量、排版、复杂提示理解和资源效率方面有显著提升。通过输入文本提示，该模型可以生成相应的图像。

模型描述

该模型属于 MMDiT-X 文本到图像生成模型类型，它利用了三种预训练的文本编码器，并在训练过程中采用 QK 归一化来提高训练稳定性。在前12层变换器中使用了双重注意力块。其显著特点包括：

  • 多分辨率生成：通过引入自注意模块，增强了多分辨率的生成能力和整体的图像一致性。
  • QK 归一化：改善训练的稳定性。
  • 混合分辨率训练：采取了逐步提升分辨率的训练策略，从256到1440逐步上升。通过随机裁剪增强模型在不同分辨率和纵横比下的鲁棒性。

许可信息

  • 社区许可：免费用于研究、非商业用途以及年收入低于100万美元的组织或个人的商业使用。详细信息可以在 社区许可协议 中找到。
  • 年收入高于100万美元的个人和组织：请联系我们获取企业许可。

模型来源

可以通过多种方式本地或自托管使用该模型，包括使用 ComfyUI 的节点化界面推断、Huggingface 的 diffusers 库，或直接从 GitHub 获取。

使用与限制

  • 模型可以处理较长的提示，但当使用超过256个 T5 tokens 时，可能会在生成边缘出现伪影。因此，建议在发现明显伪影时缩短提示。
  • 中型模型与大型模型在训练数据分布上有所不同，因此对同一提示的响应可能不同。

安全性

Stability AI 采用安全设计和负责任的 AI 部署方法，确保模型开发从早期阶段开始就关注完整性问题。尽管已经实施了一些安全减缓措施来减少特定风险，所有开发者和用户仍需根据具体的使用场景进行额外的安全测试，并应用额外的减缓措施。

任何使用稳定扩散 3.5 的用户必须遵守 可接受使用政策。如有安全问题，可通过以下途径联系：

Stable Diffusion 3.5 Medium 的推出为图像生成领域提供了更高质量和更高效率的解决方案，期待着在各种艺术、教育及研究应用中展现出它的潜力。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多