Stable Diffusion 3.5

Генерируйте изображения высокого качества с точным отображением текста с помощью Stable Diffusion 3.5 на GPU Clore.ai.

Stable Diffusion 3.5 от Stability AI — это мультимодальный диффузионный трансформер (MMDiT), который устанавливает новый стандарт для генерации изображений с открытыми весами. Он доступен в трех вариантах: Large (8B параметров), Средне (2.5B параметров), и Large Turbo (8B, дистиллированный для вывода в 4 шага). Главная особенность — точное отображение текста: SD 3.5 надежно помещает читаемый текст в сгенерированные изображения, с чем многим предыдущим моделям было сложно справиться.

На Clore.ai вы можете арендовать GPU для SD 3.5 всего за $0.30/день и генерировать сотни изображений в час.

Ключевые особенности

• Три варианта — Large (8B, наивысшее качество), Medium (2.5B, быстро и легковесно), Large Turbo (8B, дистилляция для 4 шагов).

• Точное отображение текста — генерирует читаемый текст, вывески, надписи и типографику внутри изображений.

• Архитектура MMDiT — совместное внимание к изображению и тексту для лучшего соответствия промпту.

• Нативное разрешение 1024×1024 — чистый вывод без хитростей с апскейлом.

• Гибкие соотношения сторон — обрабатывает не-квадратные выходы (768×1344, 1344×768 и т.д.) без потери качества.

• Нативная поддержка diffusers — StableDiffusion3Pipeline в diffusers >= 0.30.

• Открытые веса — Лицензия сообщества Stability AI; бесплатно для большинства коммерческих применений.

Требования

Компонент	Минимум	Рекомендуется
VRAM GPU	12 GB (Medium)	24 GB (Large / Turbo)
ОЗУ системы	16 ГБ	32 ГБ
Диск	20 ГБ	40 ГБ
Python	3.10+	3.11
CUDA	12.1+	12.4
поддержкой diffusers	0.30+	latest

Рекомендация Clore.ai по GPU: Один RTX 4090 (24 GB, ~$0.5–2/день) обеспечивает запуск всех трех вариантов на полной скорости. Для модели Medium RTX 3090 (24 GB, ~$0.3–1/день) или даже карта на 16 GB достаточна и дешевле.

Быстрый старт

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124
pip install diffusers transformers accelerate sentencepiece protobuf

python -c "import torch; print(torch.cuda.get_device_name(0))"

Примеры использования

SD 3.5 Large — Максимальное качество

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype=torch.bfloat16,
)
pipe.to("cuda")

image = pipe(
    prompt=(
        "Потертая деревянная вывеска с надписью 'OPEN 24 HOURS', свисающая с "
        "ржавой цепи перед неоновой закусочной, дождливая ночь, отражения "
        "на мокром асфальте, кинематографичная фотография"
    ),
    negative_prompt="размытый, деформированный текст, низкое качество",
    guidance_scale=3.5,
    num_inference_steps=28,
    width=1024,
    height=1024,
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]

image.save("diner_sign.png")
print("Сохранено diner_sign.png")

SD 3.5 Large Turbo — Быстрая генерация в 4 шага

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large-turbo",
    torch_dtype=torch.bfloat16,
).to("cuda")

# Вариант Turbo: требуется лишь 4 шага, guidance_scale=0 (дистиллированный)
image = pipe(
    prompt="Макрофото механизма часов, сложные шестерни, золотой свет",
    guidance_scale=0.0,
    num_inference_steps=4,
    width=1024,
    height=1024,
).images[0]

image.save("watch_turbo.png")

SD 3.5 Medium — Легковесный вариант

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-medium",
    torch_dtype=torch.float16,
).to("cuda")

image = pipe(
    prompt="Изометрический вид уютного интерьера кофейни, стиль пиксель-арт, теплое освещение",
    guidance_scale=4.0,
    num_inference_steps=28,
    width=1024,
    height=1024,
).images[0]

image.save("coffee_shop_medium.png")

Пакетная генерация с разными соотношениями сторон

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype=torch.bfloat16,
).to("cuda")

jobs = [
    {"prompt": "Портрет астронавта в поле подсолнухов", "w": 768, "h": 1344},
    {"prompt": "Панорамный пейзаж высокогорий Исландии, мрачное небо", "w": 1344, "h": 768},
    {"prompt": "Товарное фото флакона духов на мраморной поверхности", "w": 1024, "h": 1024},
]

for i, job in enumerate(jobs):
    img = pipe(
        prompt=job["prompt"],
        guidance_scale=3.5,
        num_inference_steps=28,
        width=job["w"],
        height=job["h"],
    ).images[0]
    img.save(f"batch_{i:03d}.png")
    print(f"[{i+1}/{len(jobs)}] {job['w']}x{job['h']} выполнено")

Советы для пользователей Clore.ai

1. Turbo для итераций, Large для финалов — используйте 4-шаговый Turbo для быстрого исследования идей промптов, затем переключайтесь на Large (28 шагов) для финального рендера.

2. guidance_scale=3.5 — SD 3.5 Large лучше работает при более низком CFG, чем старые модели Stable Diffusion. Значения выше 5.0 часто приводят к перенасыщению.

3. Turbo требует guidance_scale=0 — дистиллированная модель уже содержит руководство внутри; добавление большего ухудшает качество.

4. Текст в изображениях — отображение текста в SD 3.5 сильное, но не идеальное. Используйте кавычки вокруг точного текста, который хотите получить: 'OPEN 24 HOURS'. Держите текст коротким (макс. 3–5 слов).

5. Кеширование весов — установите HF_HOME=/workspace/hf_cache на постоянном хранилище. Large занимает ~16 GB на диске.

6. bf16 для Large, fp16 для Medium — модели 8B обучались в bf16; 2.5B Medium хорошо работает в fp16.

7. Эффективная пакетная обработка — SD 3.5 Large генерирует одно изображение 1024×1024 примерно за 3 секунды на RTX 4090. Пакетируйте на ночь для массовой генерации.

8. Принять лицензию HF — вы должны принять лицензию модели на странице HuggingFace перед загрузкой. Выполните вход с huggingface-cli login.

Устранение неполадок

Проблема	Исправить
OutOfMemoryError с Large	Используйте pipe.enable_model_cpu_offload(); или переключитесь на вариант Medium
Искаженный текст на изображении	Держите текст коротким (3–5 слов); помещайте его в кавычки в промпте; увеличьте num_inference_steps до 35
Перенасыщенные цвета	Понизьте guidance_scale — попробуйте 2.5–3.5 для Large; используйте 0.0 для Turbo
Ошибка 403 при скачивании модели	Примите лицензию на https://huggingface.co/stabilityai/stable-diffusion-3.5-large и выполните huggingface-cli login
Медленный первый запуск	Первичная загрузка для Large занимает ~16 GB; последующие запуски используют кеш
KeyError: 'text_encoder_3'	Обновите diffusers: pip install -U diffusers transformers
Черный вывод изображения	Убедитесь, что torch_dtype=torch.bfloat16 для Large/Turbo; fp32 может вызывать скрытые ошибки на некоторых видеокартах