模型详情
模型介绍
中文整理# Stable Cascade 模型卡片
模型概述
Stable Cascade 是基于 Würstchen 架构开发的扩散模型，其核心特点是在极小的潜在空间中进行图像生成。与 Stable Diffusion 相比，该模型将 1024x1024 的图像编码为 24x24（压缩因子为 42），而 Stable Diffusion 仅能将其编码为 128x128（压缩因子为 8）。这种设计显著提升了推理速度并降低了训练成本。
## 主要能力
- 文本到图像生成：根据文本提示生成图像
- 高效压缩：实现 42 倍压缩率，大幅降低训练和推理成本
- 扩展支持：支持微调、LoRA、ControlNet、IP-Adapter、LCM 等常用扩展
## 模型结构
Stable Cascade 由三个阶段模型组成：
- Stage A：图像压缩，参数规模 2000 万
- Stage B：进一步压缩，参数规模可选 7 亿或 15 亿（推荐 15 亿版本）
- Stage C：文本条件潜在生成，参数规模可选 10 亿或 36 亿（推荐 36 亿版本）
## 输入输出
- 输入：文本提示（text prompt）
- 输出：生成的图像
运行要求
- PyTorch 2.2.0 或更高版本（用于支持 bfloat16 数据类型）
- 如无法使用 PyTorch 2.2.0，可使用 float16 数据类型配合 StableCascadeDecoderPipeline
## 评估表现
根据人类评估结果，Stable Cascade（30 步推理）在提示对齐和美学质量方面表现优于 Playground v2（50 步）、SDXL（50 步）、SDXL Turbo（1 步）和 Würstchen v2（30 步）。
限制
- 人脸和人物可能无法正确生成
- 自动编码过程存在信息损失
- 模型未经过事实性训练，不可用于生成真实人物或事件的准确表示
- 不得用于违反 Stability AI 可接受使用政策的场景
许可证
模型仅供研究目的使用。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。