Stable Diffusion XL 0.9 重磅发布，35 亿 + 66 亿双模型，AI 图像生成飞跃式进步

近日，最新版本的 Stable Diffusion XL 0.9（SDXL 0.9）已经发布，并与之前的模型相比，在图像和构图细节上有了重大突破。

Stable Diffusion XL 0.9 在与 Midjourney 的竞争中表现出色，引发了人们的极大关注。它集成了 35 亿参数基础模型和 66 亿参数模型的管线，实现了 AI 图像生成的飞跃式进步。

特别值得一提的是，为了生成更加逼真的图像并实现更大的深度和更高的分辨率（1024x1024），SDXL 0.9 使用了两个 CLIP 模型，其中包括当前最大的 OpenCLIP 模型（OpenCLIP ViT-G / 14）。

令人惊讶的是，即使在消费级显卡上，SDXL 0.9 也能够顺利运行。只需在 Win10/11 或 Linux 操作系统上拥有 16GB 内存和英伟达 RTX 20 系列显卡，显存需达到 8GB 以上。

那 SDXL 0.9 和 SDXL Beta 究竟有何差异呢？用实测效果作比较，如下图所示：

Prompt：外星人在拉斯维加斯漫步

（SDXL Beta 版）

（SDXL 0.9）

Prompt：优胜美地国家公园的一只狼

Negative prompt：3d 渲染，光滑，塑料，模糊，颗粒感，低分辨率，动漫，过度饱和

（SDXL Beta 版）




（SDXL 0.9）

Prompt：手举咖啡

Negative prompt：3d 渲染，光滑，塑料，模糊，颗粒状，低分辨率，动漫

（SDXL Beta 版）

（SDXL 0.9）

据官方表示，SDXL 系列将提供超越基本文本 prompt 的一系列功能。

其中包括图像对图像的 prompt，用户可以输入一张图像来获取该图像的变异情况，以及内画和外画功能，前者可以重新构建图像的缺失部分，后者可以对现有图像进行无缝扩展。

SDXL 0.9 运行在两个 CLIP 模型上，其中之一是至今为止训练的最大的 OpenCLIP 模型（OpenCLIP ViT-G / 14），这大大增强了 0.9 版本的处理能力，能够创造出更深度、分辨率更高（1024x1024）的逼真图像。

SDXL 团队不久将发布一篇研究博客，详细介绍该模型的规格和测试结果。

SD-XL 相比之前版本的改进如下：

使用较短的描述性 prompt 即可生成高质量图像

可以生成更贴合 prompt 的图像

图像中的人体结构更合理

与 v2.1 和 v1.5 版本 (程度较轻) 相比，SD-XL 生成的图片更符合大众审美

负面提示词（negative prompt）是可选项

生成的肖像图更逼真

图像中的文本更清晰

例如，Stable Diffusion 模型 v1 系列和 v2.1 版本并不支持在图片中生成可读文本。但 SD-XL 却支持，它生成的文本信息并不总是准确，但确实得到了巨大的提升。

Stable Diffusion 是该公司帮助训练的免费开源文本到图像生成器，在 8 月份推出后，它改变了世界对于 AI 潜力的理解。

然而，Stability AI 也陷入了包括如何训练这些工具，以及从互联网上获取数据的版权诉讼之中的争议。虽然此前 CEO 曾陷入种种争议，但依然不影响 Stability AI 登上时代杂志，被时代杂志选为 100 家最有影响力的公司之一。

对于 Stability AI，时代杂志是这样介绍的：只要能够使用文字进行描述，Stability AI 就可以将其转化为图片。