Stability AI 推出 Stable Cascade：三階段架構讓訓練成本降至十六分之一

Stable Cascade 是 Stability AI 推出的文生圖模型，最大的特點是把文生圖和影像高畫質還原拆成了三個階段，讓個人開發者在消費級硬體上也能低成本微調大模型。

官方釋出了它的研究預覽版，並在 GitHub 上放出了推理指令碼、微調程式碼以及 ControlNet 和 LoRA 訓練指令碼。目前模型也可以通過 diffusers 庫直接呼叫。

它是怎麼做到的

傳統的 Stable Diffusion 模型通常用一個整體的潛空間來生成畫面，而 Stable Cascade 基於 Würstchen 架構，分成了 Stage A、B、C 三個獨立的階段。

最核心的是 Stage C，它負責理解你的提示詞，並把它們壓縮成極小的 24x24 潛變數。你可以把它看成畫面的整體構圖與草稿。隨後的 Stage B 和 Stage A 則扮演超強解碼器的角色，負責把這層高度壓縮的潛變數還原成高解析度畫素。

這種解耦帶來的好處非常實在。因為構圖邏輯全在 Stage C，以後的 LoRA、ControlNet 或全量微調，大家基本只需要針對 Stage C 進行。按照官方論文的資料，這比微調同等規模的 Stable Diffusion 節省大約十六分之一的成本。Stage A 和 B 平時保持原樣即可，一般沒必要折騰它們。

規格、硬體與效果

模型尺寸方面，官方提供了不同搭配。核心的 Stage C 提供了 10 億（1B）和 36 億（3.6B）引數兩個版本，官方更推薦 3.6B 版本以獲得最佳質感；Stage B 則有 7 億（700M）和 15 億（1.5B）兩個版本，1.5B 更擅長重建微小細節。

在硬體門檻上，由於模組化設計，完整推理預估需要約 20GB 視訊記憶體，如果選用較小引數的組合，視訊記憶體要求還能進一步降低。

除了常規的文字生成圖片，它還支援基於 CLIP 嵌入的影像變體生成，以及給圖片加噪重繪的圖生圖功能。隨模型一起公開的還包括線稿控制（Canny Edge）、區域性重繪（Inpainting/Outpainting）以及兩倍超解析度等 ControlNet 工具。

在速度和質量評測上，官方的人工評測顯示其提示詞對齊度和審美表現優於對比模型。即使最大的組合在總引數量上比 SDXL 多出 14 億，但得益於極高壓縮率的潛空間，推理耗時反而更短。

怎麼用與開源協議

目前權重和程式碼均已公開，開發者可以在 GitHub 的 Stability AI 倉庫找到完整程式碼，或在 Hugging Face 的 diffusers 庫中體驗推理。

需要注意的是，這次釋出的模型採用的是非商業研究許可證（Non-Commercial License），僅供個人研究與實驗。商用需要申請官方的商業會員或使用其 API 服務。

為什麼重要

我們認為，Stable Cascade 最值得稱道的地方在於它對視訊記憶體和算力的妥協方式。它沒有硬著頭皮堆大模型，而是用精巧的層級壓縮，把最耗算力的文本引導部分限制在極小的潛空間裡，讓低成本個人微調成了可能。

如果你是喜歡折騰 LoRA 和自定義風格的創作者或獨立開發者，它非常值得一試，訓練成本大幅降低意味著試錯門檻直接被削平。不過，非商業協議是眼下最大的限制，在商用許可放開之前，它更多還是一個供社群把玩和驗證新架構的研究玩具。