Stability AI 推出 Stable Cascade：三阶段架构让训练成本降至十六分之一

Stable Cascade 是 Stability AI 推出的文生图模型，最大的特点是把文生图和图像高清还原拆成了三个阶段，让个人开发者在消费级硬件上也能低成本微调大模型。

官方发布了它的研究预览版，并在 GitHub 上放出了推理脚本、微调代码以及 ControlNet 和 LoRA 训练脚本。目前模型也可以通过 diffusers 库直接调用。

它是怎么做到的

传统的 Stable Diffusion 模型通常用一个整体的潜空间来生成画面，而 Stable Cascade 基于 Würstchen 架构，分成了 Stage A、B、C 三个独立的阶段。

最核心的是 Stage C，它负责理解你的提示词，并把它们压缩成极小的 24x24 潜变量。你可以把它看成画面的整体构图与草稿。随后的 Stage B 和 Stage A 则扮演超强解码器的角色，负责把这层高度压缩的潜变量还原成高分辨率像素。

这种解耦带来的好处非常实在。因为构图逻辑全在 Stage C，以后的 LoRA、ControlNet 或全量微调，大家基本只需要针对 Stage C 进行。按照官方论文的数据，这比微调同等规模的 Stable Diffusion 节省大约十六分之一的成本。Stage A 和 B 平时保持原样即可，一般没必要折腾它们。

规格、硬件与效果

模型尺寸方面，官方提供了不同搭配。核心的 Stage C 提供了 10 亿（1B）和 36 亿（3.6B）参数两个版本，官方更推荐 3.6B 版本以获得最佳质感；Stage B 则有 7 亿（700M）和 15 亿（1.5B）两个版本，1.5B 更擅长重建微小细节。

在硬件门槛上，由于模块化设计，完整推理预估需要约 20GB 显存，如果选用较小参数的组合，显存要求还能进一步降低。

除了常规的文字生成图片，它还支持基于 CLIP 嵌入的图像变体生成，以及给图片加噪重绘的图生图功能。随模型一起公开的还包括线稿控制（Canny Edge）、局部重绘（Inpainting/Outpainting）以及两倍超分辨率等 ControlNet 工具。

在速度和质量评测上，官方的人工评测显示其提示词对齐度和审美表现优于对比模型。即使最大的组合在总参数量上比 SDXL 多出 14 亿，但得益于极高压缩率的潜空间，推理耗时反而更短。

怎么用与开源协议

目前权重和代码均已公开，开发者可以在 GitHub 的 Stability AI 仓库找到完整代码，或在 Hugging Face 的 diffusers 库中体验推理。

需要注意的是，这次发布的模型采用的是非商业研究许可证（Non-Commercial License），仅供个人研究与实验。商用需要申请官方的商业会员或使用其 API 服务。

为什么重要

我们认为，Stable Cascade 最值得称道的地方在于它对显存和算力的妥协方式。它没有硬着头皮堆大模型，而是用精巧的层级压缩，把最耗算力的文本引导部分限制在极小的潜空间里，让低成本个人微调成了可能。

如果你是喜欢折腾 LoRA 和自定义风格的创作者或独立开发者，它非常值得一试，训练成本大幅降低意味着试错门槛直接被削平。不过，非商业协议是眼下最大的限制，在商用许可放开之前，它更多还是一个供社区把玩和验证新架构的研究玩具。