文｜李然
编辑｜苏建勋
虽然总裁辞职了，核心团队跳槽了，但是Stability AI仍然在发货。
图源：X昨天夜里，Stability AI正式发布了Stable Diffusion 3 API，在SD3的技术报告公布几个月之后，用户终于可以上手试用了。
但可惜的是，完全开源的SD3模型依然还在路上，不过他们承诺，对于普通用户，SD3模型不会收费。
图源：X现在，用户可以通过Fireworks AI访问SD3的API。
图源：X根据SD3技术报告，SD3相比DALL·E 3和Midjourney，能够更好地遵循用户提示。
来源：官网SD 3新的多模态扩散变压器 (MMDiT) 架构对图像和语言表示使用单独的权重集，与之前版本的稳定扩散相比，它提高了文本理解和拼写能力。
图源：X可以看到，用户可以非常精准地控制需要出现在图片中地文字内容。
图源：X新模型生成的逼真图片，足以以假乱真。
Prompt: Portrait photograph of ananthropomorphic tortoise seated on a New York City subway train. 图源：X
对于完全虚构的图片也能做到美学和细节真实度的统一。
Prompt: Aesthetic pastel magical realism, a manwith a retro TV for a head, standing in the centerof the desert, vintage photo. 图源：X
调用API，网友用SD和ChatGPT做了一个小游戏。
图源：X在他看来，SD3能比DALL·E有更好的风格一致性，对于生成一个系统工程中的美术素材表现得更好。
网友也分享更多用SD3生成的作品。
图源：X可以看到，如果对于图片内容中的文字有明确要求，SD3是为数不多能满足要求的模型。
图源：X机器人的手似乎也没有瑕疵了。
图源：X人物面部的细节非常真实。
图源：X狮头机器人。
图源：X机械风的中国龙造型也是细节满满，惟妙惟肖。
图源：X很多调用SD3 API的APP也在Stability AI官推下面，用SD3生成的图片给自己的API打起了广告。
模型核心构架
SD3的核心技术在于StabilityAI 开发的MMDiT技术。
来源：官网模型使用三种不同的文本嵌入器（两个 CLIP 模型和 T5）来编码文本表示，并使用改进的自动编码模型来编码图像token。
而这个构架的核心，采用的是和Sora一样的DiT技术。
由于文本和图像嵌入在概念上完全不同，因此他们对这两种模式使用两组独立的权重。如上图所示，这相当于每种模态都有两个独立的转换器，但是将两种模态的序列连接起来进行注意力操作，这样两种表征都可以在自己的空间中工作，同时考虑另一种表征。
在这样的特殊安排之下，MMDiT的性能超越了传统的UViT或者DiT本身。
通过使用这种方法，信息可以在图像和文本标记之间流动，以提高生成的输出中的整体理解和排版。这种架构还可以轻松扩展到视频等多种模式。
得益于SD3改进的提示跟随功能，模型能够创建专注于各种不同主题和质量的图像，同时对图像本身的风格保持高度灵活性。
来源：官网
