Stability AI 发布 Stable Diffusion 3 早期预览：多主体构图与文字拼写大幅升级

2024年2月22日，图像生成模型公司 Stability AI 发布 Stable Diffusion 3 早期预览，这是该公司旗舰图像生成模型系列的最新一代。与前代 Stable Diffusion XL 不同，SD3 舍弃原本的 U-Net 扩散架构，改用「diffusion transformer」新架构，并搭配「flow matching」训练技术。此次发布提供从8亿到80亿参数不等的多种模型规模，让用户可以根据算力资源与需求灵活选择。目前 SD3 尚未正式公开发布，仅开放用户在官网申请候补名单，等待逐步开放早期使用权限。

技术意义：从 U-Net 到 Transformer 的架构转向

过去主流扩散模型多以 U-Net 卷积架构为基础，SD3 改用 transformer 架构处理扩散过程，这与近年语言模型（如 GPT 系列）的技术路线更为接近，理论上有利于模型规模化与多模态理解能力提升。搭配 flow matching 这种新的概率路径训练方法，官方展示示例显示，SD3 在同一张图片中生成多个主体（例如多个人物或物体同时出现）时，构图稳定性与细节保留明显优于前代；模型准确拼写图片中文字（例如招牌、标语）的能力也有显著提升，这正是以往图像生成模型公认的一大短板。

与前代及竞品的对比：预览而非正式发布

Stable Diffusion XL 在文字拼写与多主体构图上经常出现扭曲、重复肢体或乱码文字，这也是 Midjourney、DALL·E 3 等竞品持续被拿来对比的痛点。Stability AI 选在 DALL·E 3（已整合进 ChatGPT）声势正盛之时发布 SD3 预览，被外界视为开源阵营对商业闭源模型的正面回应；多种参数规模设计，也让 SD3 有机会同时满足云端与本地端部署。值得留意的是，此次仅为「早期预览」并附带候补名单机制，尚未提供可下载的模型权重或公开 API，官方也尚未公布正式发布时间表与授权条款，业界普遍解读 Stability AI 是先以展示案例争取话语权，同时观察反馈以调整最终版本。

对管理者的意义

对于市场营销、电商或内容团队的管理者而言，「文字拼写准确」与「多主体构图稳定」两项进展，意味着未来有望更放心地将 AI 生成图像直接用于含文字的营销素材（如促销看板、社群推文配图），而不仅止于灵感草稿。目前仍处候补阶段，管理者可先关注官方发布时间表，提前思考素材审核与 AI 工具引入的流程规划。