深度测评：SD3模型表现如何？实用教程助你玩转Stable Diffusion 3 ，最强SD3模型使用攻略，附ComfyUI实操SD3模型到底如何？StableDiffusion3全面评测！

深度测评：sd3模型表现如何？实用教程助你玩转stable diffusion 3 ，最强sd3模型使用攻略，附comfyui实操

sd3模型到底如何？stablediffusion3全面评测！如何使用comfyui遍历题词 ｜ 模型？

大家好，我是猫头虎。今天我要给大家带来一篇关于stable diffusion 3 (sd3) 模型的全面评测和使用指南。作为刚刚开源的最新一代模型，sd3在架构、性能和功能上都有了显著的提升。本期内容不仅会详细解析sd3的各项改进，还会教大家如何通过comfyui进行高效的批处理操作和提示词测试。无论你是ai绘画的新手还是老手，相信这篇文章都能给你带来实用的指导和灵感。话不多说，我们马上开始吧！

本文大纲

• sd第三代模型介绍
  • sd3与之前架构的不同
    • 基于sdxl的训练
    • tve解码部分的增强
    • 提示理解的完善
  • 三种clip编码的采用
  • 模型后缀的含义和特性
• config ui的批处理操作
  • 工作流的介绍
    • 基础工作流
    • 提词强化工作流
    • 传统放大工作流
  • 动态提示词插件的使用
  • 批量生成图像的方法
• 模型和资源的获取
  • 访问liblib网站获取模型和资源
  • 下载和使用题词卡片
  • 服务器配置和文件管理
• 模型比较和测试
  • 不同模型的生成效果比较
  • 提示词的调整和优化
  • 在线生成与本地生成的对比

关键词

• sd第三代模型
• config ui
• 批处理操作
• clip编码
• 动态提示词插件
• 模型比较
• 在线生成

适合阅读人群

• 对ai模型和图像生成技术感兴趣的技术人员
• 需要使用或了解sd第三代模型的研究人员
• 对config ui和批处理操作有需求的设计师和开发者
• 希望了解最新ai技术和资源获取方法的用户

术语解释

• sd3: sd第三代模型，基于sdxl进行训练，增强了tve解码部分，改善了对提示的理解和元素融合能力。
• config ui: 配置用户界面，用于管理和操作批处理工作流。
• clip编码: 一种编码技术，sd3采用了三种clip编码，增加了文本编码器，训练数据量更大。
• 动态提示词插件: 一种插件，可以在manager中搜索“dynamic”，安装后可以在新建节点处显示动态提示词，使用通配符文件进行随机调用。
• liblib: 一个资源网站，提供模型和资源下载，支持在线生成。

本期我们将探讨刚刚开源的sd第三代模型。此外，我们还会介绍一些config ui的批处理操作，以配合我们的提示词测试该模型。话不多说，我们直接进入sd官网。

• sd3架构基于sdxl训练，增强了tve解码部分，通道数增至16。
• sd3改善了提示理解和元素融合，能更精确控制画面。
• 新一代模型采用三种clip编码，增加了一个文本编码器，训练数据量达到2b参数。
• tugiface官网提供不同后缀的模型，无后缀模型不含clip编码，带clip标识的包含基础clip编码，t5xxl新增第三种clip编码。
• 模型精度有fp16和8位，大参数模型提供fp16，体积达15g，官方模型至少需12g显存。
• text encoders部分需额外加载clip模型，国内用户需下载并加载这些模型。

最佳访问的资源网站是liblib。在之前讲解stable diffusion时，我曾提及此网站。目前，liblibai是国内较为完善的绘画模型资源网站，不仅提供常用模型，还可在其平台上查看相关内容。

平时都有一些激励活动，所以说有很多原创作者在这个地方玩游戏。

这些模型在cvt网站上不一定能找到，同时一些热门的模型也不一定能找到。

最重要的是，对于不熟悉网络配置的朋友们来说，这个功能非常便捷，可以直接访问，使用起来十分方便。

• sd3模型是目前排名第一的模型，已在其网站上架。
• sd3模型包含三个编码器，无需单独加载clip编码模型。
• 王智能的信息将在视频简介下方提供。
• libreview网站支持v3模型生成，其在线生成速度与4090相当。
• huggenface提供的config ui样本工作流包括basic基础工作流、prompt强化工作流和传统放大工作流（upscale）。

现在直接来到服务器。在服务器这边，我们来直接打开这个工作流。我已经等待半天了。

• 工作流中涉及三个clip模型（clip-l、clip-g和t5的clip）的单独加载，用于正向和负向文本编码器。
• 负面处理机制包括两条处理路径，一条无提词（条件归零），另一条有提词和强度设置，通过combine合并，实现线性过渡效果，其中90%的时间无提词作用。
• sd3模型采样算法和模型管道处理算法，包括离散、连续和cascade算法，以及cfg缩放等微调，用于优化模型性能。
• 使用官方提示词和模型参数（如采样器28部，cfg4.5）生成图像，模型已包含三个clip模型，无需单独加载。

这一套题词的效果还是可以的，但是我感觉稍微有些油腻，这个脸上

• cfg值被略微降低。
• 尝试使用默认的olera进行测试，但效果不佳。
• 调度器的选择对结果有重要影响，当前使用的调度器效果最佳。
• 模型算法更改为默认模型，变化不大。
• 步数降低至25步，ddim表现正常，而olera效果不佳。
• 为了提高速度，进一步降低步数测试，结果显示变化不大。
• 尝试不使用原先的负面条件进行测试。

• 当前效果不理想，细节展现不足，需注意负面模式。
• 探讨第二个工作流程——提词强化流程。
• 除文本编码外，其他组件相同，引入sd3文本编码。
• sd3文本编码包含clip-l、clip-g和t5三个独立clip模型，各负责不同信息。
• 官方演示显示，新提词与之前相同，但效果有显著差异。

• clip i和l主要提供背景色彩、整体氛围和背景形状或风格。
• t5 clip描述了主体，即女性的肖像，包括她的神情、人物特点和艺术品的整体风格。
• 提到了基础案例的提示词。

但是没有什么变化的吧。那么所产出的生成的这个效果呢?

这就是三种完全不同的clip模型的应用。

• 探讨了第三个工作流程，该流程主要涉及us放大和sd处理。
• 官方提供了三种不同的工作流。
• 由于sd开源时间短，节点进度未同步，无法使用独特方式遍历提示词。
• 目前只能使用单提示文本编码器进行图像测试。
• 讨论了遍历图像时的差异。

• 插件名为“dynamic”，可在manager中搜索安装。
• 该插件为题词插件，安装后新建节点显示动态提示词。
• 动态提示词节点是program通配符的使用节点。
• 不使用此插件，可选择inspire中的通配符。
• 文中提到将选择随机题词，以随机调用通配符文件。

那么说到文档调用，我们还是要访问liblib的网站，除了模型，我们还可以下载一些其他资源。

点击右侧，查看全部类型，您会注意到这里有一个word cards，即题词卡片。

提斯卡吧是一个包含多种类型的平台，其中包括服装、人物、风格、场景以及视角等各类元素。

这里我下载了一些题词卡，解压后均为txt文档。打开后，内容包括镜头、服装、各种职业服装、动物、人文景观及风格。我已上传部分至服务器，但未全部上传。

• 文件位置固定：服务器和本地在configurator目录下的文件位置是固定的。
• 自定义节点插件：在configurator下的custom_nodes文件夹中，存放了自定义节点插件。
• 安装的插件：dynamic_prompt是之前安装的插件，位于custom_nodes文件夹内。
• wildcards文件夹：在dynamic_prompt文件夹内，用于存放下载的txt文档。
• 文档内容：放入wildcards文件夹的txt文档包括动物、配置文件、角色服装、风格和场景，其中配置文件需要复杂指令。

接下来，我们将调用config ui。首先，我们将测试一种风格，在此基础上，我们可以提供不同的动物或场景。随后，我们将涉及两个文档：第一个文档包含各种动物。

• 文件重命名并复制名称。
• 调用时切换至英文输入法。
• 使用shift键和反斜杠键输入两个下划线。
• 粘贴文件名后再次输入两个下划线。
• 系统随机调用文档中的提示词。
• 需指定一种风格。

• 复制风格卡的文件名。
• 使用特定的调用方式（两个下划线）嵌入文件名，结合动物与风格。
• 预览提示词，关闭采样器后运行程序。
• 屏幕显示动物描述及风格描述，风格描述紧跟在art后。
• 提升文本变化器的输入，直接应用于文本变化器。
• 对负面提示进行简单修改。

• 描述了使用某种风格生成图像的过程。
• 第一次生成的图像是犀牛，但看起来异常。
• 第二次生成的图像变为豹子，安全系数被调低至3。
• 光线对豹子来说仍然过强。
• 尝试生成小猫的图像，经过多次尝试后，艺术表现有所差异。

• 尝试一次性生成多张图像，但系统重复生成相同图像。
• 需要实现批处理，生成多样化图像，类似于动画制作中的fizz节点。
• 使用stream的合并功能和帧节点，设置不同组件生成不同内容。
• 通过设置帧和提示词，实现自动生成不同图像。
• 使用fizz批次调度，设置最大帧数，批量预览和生成图像。
• 尝试生成人物图像，通过修改提示词实现不同风格。

• 手动调整风格，包括水彩、幻想风、写实照片和动漫风格。
• 去除通用符，进行逐一修改。
• 添加正向提示词，设置在指定文本中，并将女孩添加到附加文本中。
• 重复添加正向提示词的操作。

这里我们来看一下这个风格，第一个水彩的，第二个是写实的。

• 描述了几个手部模型的效果，指出它们存在问题，如多出一根手指、细节处理不佳。
• 提到这些模型是基础模型，细节未深入调校。
• 计划进行宏观分析和多模型比较，并已进行了一些调整。

下午时间创建了一个测试工作流，该工作流规模较大，我们可以观察到。

这里放置了三种不同的模型，第一种是sdxl，我使用的是基础版本1.0的sdxl模型。

那么第三个呢就是cascade，这三个模型生成了三个模型。

• 使用了sd中的一键题词插件，该插件支持gl和提示词通道。
• 插件允许选择不同风格、类型、主体和emoji表情。
• 目前插件未更新专门针对sd3的题词，因此统一使用sdxl的题词。
• 插件可以生成三个不同clip所需的文本，并随机选择艺术风格、类型、主体等。
• 作者对插件进行了调整，单独提升了题词所需的所有组件，包括随机强度。

之后，我进行了字符串处理，因为一键提示词生成的提示词可能包含双引号。

• 双引号是zif节点的一种特殊格式。
• 零帧是zif节点处理的一种方式。
• 如果提示词中夹杂其他字符，zif节点无法正确识别。
• 为了解决识别问题，所有包含特定符号的提示词被替换为空。
• 对提示词的gli进行了字符串操作测试，并得到了结果反馈。

• 创建了7个字符串连接。
• 生成的字符串被存入缓存。
• 可以预览缓存中的内容。
• 从缓存中读取数据，包括g、l和全局提示词f。
• 数据对接至生成工作流。
• 使用了“one button prompt”插件的自动负面提示词功能。
• 生成了一个负面提示词。

• 提供了三个不同的流程：sdxl、cascade和sd3。
• sdxl流程中，输入的是g和l的文本。
• cascade流程中，只有一个文本输入，使用全局提示词。
• sd3流程中，实验性地进行了提示词的分离，包括宏观提示词和sdxl的l和g输入，并通过combine将两者结合。
• 提出了使用t5专门的编码器作为更好的文本处理方式，但由于其专业性，未被采用。

由于文本编码框不支持批处理，因此无法进行此操作。希望未来fizz能够开启sd3调度功能，预计后续会进行更新，目前尚未更新，因此我们只能暂时使用现有流程。后续步骤与之前相同，即遵循此流程。

然后我们使用这个提示词，随意生成一些内容，首先打开我们的提示词组。

• 参数设置为7，用于生成7张不同图像。
• 关闭了其他所有组，只保留一个缓存，防止重复调用。
• 未设定风格主题，系统将随机选择并生成图像。
• 生成过程中，系统会逐一提示关键词。
• 生成完成后，相关文本将自动标记关键帧。
• 之后，关闭提示词功能，开启xl渲染、sd3渲染和casket渲染。

然后呢，我们来直接渲染声场。

最左边是cascade，中间是sd3，右边是sdxl。

这三张我觉得cascade比较好的，那sdxl也很适合。

对于人物而言，cascade模型更具有风格性，特别是sd3模型。

该作品风格性不强，画面存在问题，可能是由于合并方式不当所致，但整体观感尚可。

• 提示词使用可能不准确，建议直接使用单独的提示词。
• 描述了三组不同的生成图像：
  • 第一组是sdxl，内容为一组车的风景。
  • 第二组是sd3，内容为一组车的风景，增加了一个人物，两侧均为车辆，无异常。
  • 第三组是cascade，内容为人物特写，展示的是sd4。
• sd3的图像风格中规中矩，无特定风格。

• sd3模型权重偏高，建议调整至3.5。
• 风景图像处理效果尚可，但人脸图像处理不佳。
• 图像变形问题源于基础数据质量不佳。
• 房间描述模糊导致图像风格不一致。
• 最后一张图像的水珠和水滴效果最佳，推荐使用sdxl模型。

首先我们来看一组风景。我们来到设置界面，由于翻译插件的问题，我将这些名称进行了修改。但重新加载工作流后，它们又恢复了原样。这是无法避免的，只能重新查找。我们选择一个风景主题。

我们保持其他设置不变，直接生成。初步观察，sdx的表现更为出色。相比之下，sd3的表现较为平淡，但其色彩处理和想象力较为丰富。这主要涉及到风格训练的问题。我们已降低了相应的权重。

• 作者对sdxl、casekit和sd3的表现进行了评价，认为sdxl表现最好，其次是casekit，sd3排名第三。
• 作者指出，单独比较提示词时，这些工具的表现并不特别突出。
• 作者计划进行进一步的测试。

一组人物吧，测试一组女性。

大家应该都喜欢看这位美女，接下来我们进行调整，选择通用选项，其他设置保持不变，再次生成，可以看到效果仍然不尽人意。

一样最好的还是sdxl。要注意我现在用的这个sdxl

xl是基础模型，最原始的base 1.0的模型。

能体现出来整体的风格。那cascade呢，稍微有些一般吧。

对于动漫的可以看到它就不太强，而对于sd3真的就不太强。

我怀疑是否配置错误，因为我们使用的是pf8的精度，并非实际的pf8。

• 讨论了使用不同版本的提示词（sdxl、1.5版本、cascade风格）对效果的影响。
• 指出如果需要提供cascade的ghl张量，可能会导致sdxl调度编码报错，因为张量不一致。

我们将直接统一设置为默认的 sdxl，不再使用其他选项如 g 或 l，取消这些设置，仅提供一个提示词，然后重新生成一轮。

其实用处不太大。

x4d xl 的质量略有下降，casket 也未进行调整。

• ouysd3 模型表现不佳。
• 其他两个模型在各方面优于 ouysd3。
• ouysd3 属于基础模型，风格训练不足。
• 尽管数据训练充分，但使用提示词测试时差距明显。

如果我们在此基础上采用这种方式进行丰富，观察是否能得到改善。这是第四章，我们直接复制第四章的提示词，并进行更为精彩的处理。

• 使用特定方法后，效果未达预期。
• 原因不明，可能与模型本身或版本有关。
• 建议尝试重新下载pf16版本。
• 提到liblib支持在线生成，将进行进一步验证。

我们使用liblibartlib3的在线生图功能，直接复制了提示词。

• liblibartlib3模型表现尚可，但仍需优化。
• 作者计划进一步探讨liblibartlib3的具体问题。
• 作者之前偏好cascade模型，但测试显示sd模型效果更佳。
• 作者将分享工作流，供大家测试不同模型和流程。
• 鼓励大家在评论区交流优化模型和流程的经验。
• 提供交流群供新手和有经验者共同探讨问题。

• 目前存在两种版本的v3：在线生成的v3和高级版v3。
• 高级版v3可能通过调用官方api实现，其效果显著。
• 计划对比官方api调用与本地模型调用的效果，以验证是否使用的是优化后的高级模型。

• libu在线生成平台全面支持sd3模型的调用。
• 该平台可能是sd3上线最快的在线生成平台。
• 用户复制粘贴提示词并设置采样器。
• 默认选择2m，迭代步数设为25步，提示强度调整为3.5。
• 图片数量增加至3张，用于对比。

• 讨论了conf ui的noise生成方式与sd生成方式的差异。
• 建议尝试将生成方式改为sd以观察效果改善。
• 指出使用web ui进行生成操作的便捷性。

本期内容已全部分享完毕。若对您有所启发和参考价值，请不要忘记点击关注。后续还将有更多资讯、新闻及应用与大家分享。本期到此结束，下期再见。

本文总结

• sd第三代模型sd3基于sdxl进行训练，增强了tve解码部分，改善了对提示的理解和元素融合能力。
• sd3采用了三种clip编码，增加了文本编码器，训练数据量更大。
• 介绍了config ui的批处理操作，包括不同工作流的使用和动态提示词插件的安装。
• 讨论了模型的获取和配置，以及如何通过liblib网站下载和使用资源。
• 进行了不同模型的生成效果比较，探讨了提示词的调整和优化，以及在线生成与本地生成的差异。

金句摘抄

• “sd3的架构基于sdxl进行训练，首先我们可以看到tve解码部分得到了大幅增强，现在通道数为16。”
• “这一新一代模型采用了三种clip编码，在sdxl中，我们有两个编码器，一个是l，一个是g。”
• “对于国内用户，需下载并加载这些模型，最佳访问的资源网站是liblib。”
• “在服务器这边，我们来直接打开这个工作流，我已经等待半天了。”
• “我们来看一下这个风格，第一个水彩的，第二个是写实的。”

qa

1. sd3与之前的模型架构有何不同？
   • sd3基于sdxl进行训练，增强了tve解码部分，改善了对提示的理解和元素融合能力，并采用了三种clip编码。
2. config ui的批处理操作包括哪些内容？
   • config ui的批处理操作包括基础工作流、提词强化工作流和传统放大工作流，以及动态提示词插件的使用。
3. 如何获取和配置模型资源？
   • 可以通过访问liblib网站下载模型和资源，配置服务器和文件管理，以及使用题词卡片。
4. 不同模型的生成效果如何比较？
   • 通过调整提示词和优化设置，可以比较不同模型的生成效果，探讨在线生成与本地生成的差异。
5. 如何使用动态提示词插件？
   • 动态提示词插件可以在manager中搜索“dynamic”，安装后可以在新建节点处显示动态提示词，使用通配符文件进行随机调用。

结语

通过本篇文章的详细评测与教程，相信大家对最新的stable diffusion 3 (sd3) 模型有了更深入的了解。无论是模型的架构改进、性能提升，还是实际使用中的小技巧，我们都进行了全面的覆盖和解析。希望这些内容能为您的ai绘画创作提供帮助和灵感。

如果您觉得本期内容对您有所启发和参考价值，请不要忘记点击关注我们。关注不仅能让您第一时间获取最新的技术资讯和应用指南，还能帮助我们为您提供更优质的内容。此外，您也可以扫描下方的二维码，加入我们的交流社群。群内有众多ai技术爱好者和专业人士，大家可以在这里分享经验、解决疑问、共同进步。

期待与您在社群中交流，我们下期再见！