Stability AI 開啟 Stable Diffusion 3 早期預覽：拼寫能力提升，引數最高 8B

經常玩 AI 畫圖的人，大概都被兩件事折磨過：一是讓畫面裡同時出現好幾個不同的人或物體時，模型經常把特徵混在一起；二是讓畫面帶幾個英文字母，出來的往往是鬼畫符。

Stability AI 端出了新一代影像生成模型 Stable Diffusion 3，直接瞄準了這兩個痛點。

目前這個模型還沒有全面鋪開，官方剛上線了早期預覽版本的候補名單。按照 Stability AI 的說法，這次早期測試是為了在大規模公開之前收集反饋，繼續最佳化效能並打磨安全機制。

換上新架構，從小尺寸到大模型全包了

從技術路線上看，Stable Diffusion 3 沒有原地踏步。官方透露，它結合了 Diffusion Transformer 架構和流匹配（Flow Matching）技術。更詳細的技術報告隨後才會公佈，但從已知資訊看，底層架構的升級正是為了徹底改善影像質量、拼寫能力以及多主體提示詞的響應表現。

另一個很有意思的做法是引數區間的設定。Stable Diffusion 3 並不是單一體積的模型，而是一個引數量從 8 億（800M）一直覆蓋到 80 億（8B）的模型家族。

官方表示，這種從輕量到重型的設計，是為了兼顧不同裝置和創作者的需求，降低使用門檻。

在安全方面，Stability AI 表示在模型訓練、測試、評估到部署的各個環節都引入了防護機制，以防模型被濫用，並在公開發布前繼續與研究人員和社群配合驗證。

為什麼重要

我們認為，Stable Diffusion 3 最打動普通創作者的地方，就是終於正視了排版拼寫和複雜場景控制的剛需。以往做海報、包裝或者帶文字的設計草圖，創作者在生成圖片後，總要倒進設計軟體裡手動摳圖加字。如果這次 SD3 真能穩穩當當地寫對文字、分清畫面裡的不同主體，本地生圖的工作流效率會提升一大截。

對於整個開源生態來說，這也是一次關鍵的防守反擊。在閉源陣營裡，DALL-E 3 和 Midjourney 早就靠著文字排版和複雜的語義理解把門檻拉得很高。開源社群一直在等待一個能打的底座。這次 Stability AI 依然堅持走走向公開發布的路線，如果最終權重能如期交到社群手裡，開源影像生態的生命力就又續上了一大截。

從產品策略來看，推出從 800M 到 8B 的多檔位尺寸非常聰明。800M 意味著輕薄本甚至移動端裝置未來都有跑本地生圖的希望，而 8B 則能吃滿高階工作站的視訊記憶體，給商業製作提供最高水準的畫質。這種豐儉由人的策略，正好打中了本地部署使用者的軟肋。

不過看起來，隱患依然在執行落地層面。預覽測試與最終權重開源之間往往存在時間差，安全篩選與畫質表現的平衡也是個老難題。在官方 technical report 和正式權重出爐之前，大家最好還是先抱著理性期待排隊等候。