Порівняльна таблиця
| SD 1.5 | SDXL 1.0 | SD 3 Medium | SD 3.5 Large | |
|---|---|---|---|---|
| Реліз | жовтень 2022 | липень 2023 | червень 2024 | жовтень 2024 |
| Параметри | 0,9 млрд | 2,6 млрд (+ refiner) | 2 млрд | 8 млрд |
| Нативний розмір | 512×512 | 1024×1024 | 1024×1024 | 1024×1024 |
| VRAM (fp16) | 4–6 ГБ | 8 ГБ | 10 ГБ | 19 ГБ (11 ГБ у fp8) |
| Швидкість (наш GPU на 12 ГБ) | ~4 с | ~20 с | — | — |
| Розуміння промпту | ключові слова | ключові слова, краща композиція | речення, кілька об’єктів | найкраще |
| Текст на зображеннях | ні | рідко | так, короткий | так |
| Імена художників | сильний вплив | сильний вплив | слабший вплив | слабший вплив |
| Моделі спільноти | дуже багато | найбільше, разом із Pony та Illustrious | мало | мало |
| Ліцензія | OpenRAIL-M | OpenRAIL++ | Community License (безкоштовно за доходу до 1 млн доларів) | |
| Спробувати на сайті | SD 1.5 | SDXL | SD 3 | — |
Stable Diffusion 1.5: робоча конячка
Невелика, швидка, з безліччю модифікацій. Фотореалістичні й аніме-версії, моделі ControlNet, LoRA та ембединги є буквально для всього. Слабкі місця — базова роздільна здатність 512 пікселів, руки й буквальне прочитання промптів. Вона лишається правильним вибором для карти з 6 ГБ, для анімації в AnimateDiff і для роботи, де багато ControlNet. Сторінка txt2img для зареєстрованих користувачів цього сайту працює на модифікованій моделі SD 1.5.
SDXL 1.0: деталі та стиль
Учетверо більше пікселів, другий текстовий енкодер, refiner для останніх кроків. Обличчя, руки й композиція помітно покращилися, а імена художників дають сильний і передбачуваний ефект — саме тому наше порівняння 1731 художника згенеровано в SDXL. Моделі потрібно 8 ГБ, і вона в кілька разів повільніша за 1.5: приблизно 20 с проти 4 с на зображення на нашому GPU. Дистильованим версіям (SDXL Turbo, LCM LoRA) вистачає від одного до восьми кроків замість 25–30, ціною певної втрати якості.
Stable Diffusion 3 і 3.5: розуміння й текст
Нова архітектура (дифузійний трансформер із трьома текстовими енкодерами) сприймає речення, а не списки ключових слів: «a red cube on a blue sphere, to the left of a green cone» здебільшого виходить правильно, а короткий текст у лапках зазвичай розбірливий. Версія 3 Medium мала проблеми з анатомією, яких у 3.5 поменшало; 3.5 Large — найпотужніша модель родини, 3.5 Medium — збалансована. Імена художників і старі звички щодо негативного промпту тут важать менше. Спробуйте Stable Diffusion 3 Medium на цьому сайті.
Що ж обрати?
- Перші кроки, карта з 6 ГБ, ControlNet, AnimateDiff: SD 1.5.
- Ілюстрація, портрети, стилі художників, 8–12 ГБ: SDXL.
- Постери з текстом, складні сцени, 12–16 ГБ і більше: SD 3.5 Medium або Large.
- Без відеокарти: онлайн-інструменти цього сайту, обліковий запис не потрібен.