明敏 发自 凹非寺

量子位 | 公众号 QbitAI

没想到……Stable Diffusion 3开源即出现翻车案例。

生成一个躺在草地上的女孩，结果长这样？

而且不是个例，只要是和人（整体）相关的内容，生成结果都有点掉san。

（前方高能）

但如果是局部，比如只生成人脸，确实很nice。

清晰度、写字、写实性等方面都有明显提升。

对于复杂长提示词的理解也很到位，有网友发现提示越长它画的越好。

那么问题来了，为啥偏偏画不好人类？

问题可能在于数据集

先来看看SD3开源的具体情况。

本次开源的版本是Stable Diffusion 3 Medium（中杯）。

它的规模为20亿参数，在笔记本上就能跑了。

官方强调的属性有5方面，逐一来看：

• 整体质量和写实性

可生成出色的细节，包括色彩、光线、强写实等，带来灵活风格的高质量输出。

通过16通道VAE，成功解决了其他模型的常见缺陷，比如手部和面部的写实问题。

• 提示词理解

可以理解复杂长提示，包含空间推理、元素组合、动作、风格等。3个文本编码器可以全部或者组合使用，方便用户平衡性能和显存。

• 有效利用资源

对VRAM占用很低，非常适合在消费级GPU上运行，且性能不降低。

• 微调

能够利用小数据集微调，方便定制化。

目前在Hugging Face上已经可以下载模型权重。非商业用途可免费下载使用，商业用途需要先拿授权。

那么为啥升级后还是会翻车？

有人发现，如果细看“躺在草坪上的女孩”这张图像，会发现它在局部细节上确实还可以，甚至很棒。

草地上的影子、衣物上反射的光线、头发的质地……都遵循了物理规律。

但人物整体就不敢恭维了。

不少网友都认为，这就是问题的关键。

我认为他们的NSFW过滤器，把所有人类图像都判定为了NSFW。

这个过滤器全称是filtering out adult content，作用在于过滤掉不合规的成人内容。

SD2发布时就出现过类似的问题，研究人员发现审查这部分内容可能影响了模型对人体结构的理解。

后面的SD2.1和SDXL版本有所缓解。

这次SD3的翻车，暴露了一个问题：过于严格的数据审核，可能误删了一些无害的成人图像，所以现在模型没法理解人体结构。

有网友就阴阳说，没多久之前SD还能和Midjourney竞争，现在一比，就像个笑话。

至少我们的数据集是安全和合乎道德的。

Reddit上“SD3-2B发布是个笑话吗”的帖子，热度已经冲到了800+。

当然，除了技术以外的原因，还不少人觉得SD3的性能不佳更进一步暴露了Stability AI的内部混乱。

我猜他们现在可以安全合规地破产了。

欠债1亿、疑似求卖身

Stability AI的动荡，从SD3开源的一再延期就能窥见端倪。

2月发布模型后，一开始，官方说的是搞完RLHF就开源，结果大家伙等了3个多月，官方放出的还是只有API。直到现在，才开源了一个中杯版本。

与此同时，公司CEO Emad辞职+退出董事会。核心团队也被曝集体离职。

今年5月，据The Information消息，这家初创公司已经面临严重现金短缺：第一季度收入不到500万美元，而亏损超过了3000万美元。同时欠了云厂商和其他企业近1亿美元，“求卖身”的消息不断传出。

值得一提的是，消息称SD3还将开源更多版本，包括4B和8B。

不知道更大版本效果会如何呢？

官网传送门：https://stability.ai/news/stable-diffusion-3-medium

参考链接：
[1]https://www.reddit.com/r/StableDiffusion/comments/1de85nc/why_is_sd3_so_bad_at_generating_girls_lying_on/
[2]https://x.com/benjedwards/status/1800974616611184884
[3]https://www.reddit.com/r/StableDiffusion/comments/1de7lbg/comment/l8a1me0/?utm_source=share&utm_medium=web3x&utm_name=web3xcss&utm_term=1&utm_content=share_button

Read More