Stability AI 开启 Stable Diffusion 3 早期预览：拼写能力提升，参数最高 8B

经常玩 AI 画图的人，大概都被两件事折磨过：一是让画面里同时出现好几个不同的人或物体时，模型经常把特征混在一起；二是让画面带几个英文字母，出来的往往是鬼画符。

Stability AI 端出了新一代图像生成模型 Stable Diffusion 3，直接瞄准了这两个痛点。

目前这个模型还没有全面铺开，官方刚上线了早期预览版本的候补名单。按照 Stability AI 的说法，这次早期测试是为了在大规模公开之前收集反馈，继续优化性能并打磨安全机制。

换上新架构，从小尺寸到大模型全包了

从技术路线上看，Stable Diffusion 3 没有原地踏步。官方透露，它结合了 Diffusion Transformer 架构和流匹配（Flow Matching）技术。更详细的技术报告随后才会公布，但从已知信息看，底层架构的升级正是为了彻底改善图像质量、拼写能力以及多主体提示词的响应表现。

另一个很有意思的做法是参数区间的设定。Stable Diffusion 3 并不是单一体积的模型，而是一个参数量从 8 亿（800M）一直覆盖到 80 亿（8B）的模型家族。

官方表示，这种从轻量到重型的设计，是为了兼顾不同设备和创作者的需求，降低使用门槛。

在安全方面，Stability AI 表示在模型训练、测试、评估到部署的各个环节都引入了防护机制，以防模型被滥用，并在公开发布前继续与研究人员和社区配合验证。

为什么重要

我们认为，Stable Diffusion 3 最打动普通创作者的地方，就是终于正视了排版拼写和复杂场景控制的刚需。以往做海报、包装或者带文字的设计草图，创作者在生成图片后，总要倒进设计软件里手动抠图加字。如果这次 SD3 真能稳稳当当地写对文字、分清画面里的不同主体，本地生图的工作流效率会提升一大截。

对于整个开源生态来说，这也是一次关键的防守反击。在闭源阵营里，DALL-E 3 和 Midjourney 早就靠着文字排版和复杂的语义理解把门槛拉得很高。开源社区一直在等待一个能打的底座。这次 Stability AI 依然坚持走走向公开发布的路线，如果最终权重能如期交到社区手里，开源图像生态的生命力就又续上了一大截。

从产品策略来看，推出从 800M 到 8B 的多档位尺寸非常聪明。800M 意味着轻薄本甚至移动端设备未来都有跑本地生图的希望，而 8B 则能吃满高端工作站的显存，给商业制作提供最高水准的画质。这种丰俭由人的策略，正好打中了本地部署用户的软肋。

不过看起来，隐患依然在执行落地层面。预览测试与最终权重开源之间往往存在时间差，安全筛选与画质表现的平衡也是个老难题。在官方 technical report 和正式权重出炉之前，大家最好还是先抱着理性期待排队等候。