前言

这篇文章主要是帮大家梳理下Stable diffusion里面的各种模型，模型在Stable diffusion中占据着至关重要的地位，不仅决定了出图的风格，也决定了出图质量的好坏。

但在第一次接触SD的时候，我就被里面的模型搞到头大，不仅有多种模型后缀，模型之间也有很多种类型，如果是新手小白的话，在这一步就很容易被搞晕。而在本期文章，技术巫帮你系统梳理了SD的模型，相信不管是对于小白还是老手，都会有一定帮助！

一、从模型后缀说起

为了更好地理解模型，让我们先从模型的后缀说起。

在Stable diffusion中，有两种比较常见的模型后缀，分别是 .ckpt 和 .safetensors 。

.ckpt 的全称是 checkpoint，中文翻译就是检查点，这是 TensorFlow中用于保存模型参数的格式，通常与 .meta 文件一起使用，以便恢复训练过程。

简单理解的话，.ckpt模型就好比我们打游戏时，每通过一关时对这一关的一个“存档”，因为你在训练模型时也是如此，没办法保证能一次就训练成功，中途是有可能因为各种因素失败的，所以可能在训练到20%时就存一次档，训练到40%时又存一次档，这也是为什么它叫 checkpoint 的一个原因。

在提到.ckpt 模型时，我想顺便补充下.pt 模型，前面提到，.ckpt 是TensorFlow 用于保存模型参数的格式，而 .pt 则是 PyTorch保存模型参数的格式。TensorFlow 和 PyTorch都是比较出名的深度学习框架，只不过一个是Google发布的，另外一个是Facebook发布的。

PyTorch 保存模型的格式除了.pt 之外，还有 .pth 和.pkl。.pt 和 .pth 之间并没有本质的差别，而.pkl 只是多了一步用Python的 pickle 模块进行序列化。

讲完了 .ckpt 模型，那么就该说说 .safetensors 模型了。

之所以有 .safetensors 模型，是因为 .ckpt 为了让我们能够从之前训练的状态恢复训练，好比从50%这个点位重新开始训练，从而保存了比较多的训练信息，比如模型的权重、优化器的状态还有一些Python代码。

这种做法有两个问题，一是可能包含恶意代码，因此不建议从未知或不信任的来源下载并加载.ckpt 模型文件；二是模型的体积较大，一般真人版的单个模型的大小在7GB左右，动漫版的在2-5GB之间。

而 .safetensors 模型则是 huggingface 推出的新的模型存储格式，专门为Stable Diffusion模型设计。这种格式的文件只保存模型的权重，而不包含优化器状态或其他信息，这也就意味着它通常用于模型的最终版本，当我们只关心模型的性能，而不需要了解训练过程中的详细信息时，这种格式便是一个很好的选择。

由于 .safetensors 只保存模型的权重，没有代码，所以会更安全；另外由于保存的信息更少，所以它的体积也比 .ckpt 小，加载也更快，所以目前是比较推荐使用 .safetensors 的模型文件。

总的来说，如果你想在某个SD模型上进行微调，那还是得用 .ckpt 模型；但如果你只关心出图结果，那么使用 .safetensors 模型会更好！

二、从模型分类讲起

在Stable diffusion中，模型主要分为五大类，分别是Stable diffusion模型、VAE模型、Lora模型、Embedding模型以及Hypernetwork模型。

2.1 Stable diffusion大模型

这类模型俗称“底模”，对应下面这个位置。

这类模型代表了Stable diffusion的一个知识库，比如说我们训练大模型用的全是二次元的图片，那么它最终生成的图片效果也会趋于二次元；而如果训练的时候用的是真人图片，则最终出图效果则趋于真人。

由于这类模型包含的素材非常多，训练的时间也非常长，所以体积也比较大，一般在2GB以上，后缀的话就是上面提到的 .ckpt 和 .safetensors

2.2 VAE模型

VAE全称Variational autoenconder，中文叫变分自编码器，这种模型可以简单理解为起到一个滤镜的效果。在生成图片的过程中，主要影响的是图片的颜色效果。

一般来讲，在生成图片时，如果没有外挂VAE模型，生成的图片整体颜色会比较暗淡；而外挂了VAE模型的图片整体颜色会比较明亮。

注：左边是没有使用VAE生成的图片，右边是使用VAE生成的图片

不过需要注意的是，有一些大模型在训练的时候就已经嵌入了VAE的效果，所以即使没有使用VAE效果，出图的效果也不会那么暗淡。

另外，有时候使用VAE反倒会出现一个不好的效果，比如在最后一刻变成一张蓝色废图，这时候就需要把外挂VAE改成自动（Automatic）即可

注：像这种即为蓝色废图

2.3 Lora模型

Lora模型想必大家都经常看到了，LoRA的英文全称为Low-Rank Adaptation of Large Language Models，直译为“大语言模型的低阶适应”。这是一项由微软研究人员提出的大语言模型微调技术，简单来说，它的作用是让这些庞大的模型变得更加灵活和高效，能够在特定任务上进行优化（比如对样式进行一些修改），而不需要从头开始训练整个模型。

比如像下面这个Lora模型，就是在大模型的基础上增加一些森林水母发光的效果（就是我们不必为了增加这个效果，重新训练我们的大模型，因为训练大模型花费时间很长，通过Lora就可以提高效率）

需要注意的是，Lora模型并不能单独使用，它必须与前面的大模型一起使用！

另外，由于Lora训练的图片较少，比如上面的Lora就是用100+图片训练的，所以它的体积一般不会很大，一般在几十到几百MB之间，这样大大节省了磁盘的占用量。

最后，有些Lora模型启用是需要触发词的（也就是在提示词那里加上这个触发词），比如上面的Lora触发词就是 jellyfishforest

2.4 Embedding模型

Embedding模型也称为textual inversion，即文本反转。在Stable Diffusion中，Embedding模型使用了嵌入技术以将一系列输入提示词打包成一个向量，从而提高图片生成的稳定性和准确性。

简单来说，如果我们要通过SD生成火影里面的鸣人形象，我们需要好几个提示词来进行描述，比如什么外形，穿什么颜色的衣服，而Embedding就是将这一系列提示词打包成为一个新的提示词，假设叫鸣人。

这样后续我们只要引入这个 Embedding模型，然后输入鸣人提示词，就会生成我们想要的鸣人形象，提高了写提示词的效率！

由于Embedding模型只是将提示词整合了，所以它的体积非常小，一般在几十到几百KB之间。

举个例子，比如像这个 Embedding 模型，它描绘了一位叫Caroline Dare的美女

当我们输入触发词时，就会生成类似的美女

虽然生成的图片不是一模一样，因为这跟你使用的底模有关，但是比较明显的特征是一致的。

2.5 Hypernetwork模型

Hypernetwork可以翻译为“超网络”，它是一种基于神经网络的模型，可以快速生成其他神经网络的参数，常应用于Novel AI的Stable Diffusion模型中。

Hypernetwork可以用来对模型进行微调，比如在Stable Diffusion这样的图像生成模型中，通过插入一个小型的超网络来修改输出风格，而不改变原始模型的核心结构

这个模型的作用其实和Lora模型功能有点重叠，所以在实际使用中，我个人用得比较少。

三、模型的剪枝

大家在下载模型的时候，可能还会看到两个版本，一个版本带 pruned，另外一个版本是带 pruned-emaonly。

这是因为大模型在训练的时候会保存两组不同类型的权重：第一组取的是最后一次的权重，也就是只带 pruned 的模型。

在深度学习模型训练的过程中，模型的参数（或称为“权重”）会在每一次迭代（或训练步）中根据损失函数（loss function）对数据的拟合情况进行调整。当训练结束时，模型所拥有的权重就是经过所有训练样本反复教导后的最终状态。这部分权重代表了模型在训练数据上学习到的知识，没有经过额外的平滑处理，直接反映了最后一次更新的结果

而第二组则是最近几次迭代的权重进行加权平均，加权平均即EMA（Exponential Moving Average），使用加权平均主要是减少短期波动的影响，这样得到的模型泛化性更好，也更稳定，也就是带 pruned-emaonly 的模型

由于带 pruned-emaonly 的模型体积更小，所以占用的显存（VRAM）也更少，适合用于直接出图；带 pruned 的模型体积更大，占用的显存也更多，更适合对其进行微调，如下图：

四、常用模型介绍

Stable diffusion的模型除了上述的分类之外，从用途上看，还分为官方模型、二次元模型（动漫）、真实系模型和2.5D模型四大类。

4.1 官方模型

官方模型有 1.X 和 2.X 两个大版本，目前在 1.X 中官方发布的有四个版本，分别是v1-1、v1-2、v1-3、v1-4

但是 1.X 其实还有一个 v1-5 的版本，这个版本不是 CompVis 发布的，而是Runwayml发布的，而Runway就是那个文生视频比较出名的公司，据说这个版本在文本到图像生成任务上表现尤为出色，能够生成更符合用户需求的图像（不过我没试过）。

2.X 目前一共有两个版本，分别是2-0和2-1，但变成了stabilityai 发布了

4.2 二次元模型

二次元模型比较出名的当属Anything系列（万象熔炉），像秋叶整合包默认就带了anything-v5-PrtRE 模型。

Anything系列型号目前有四个基本版本V1，V2.1，V3和V5，Prt是V5的特殊装饰版本，是比较推荐的版本。

Anything系列除了生成二次元外，其实对于肖像、风景、动物等也具有较强的适应性和泛用性，是一个比较通用的模型

4.3 真实系模型

真实系比较出名的模型有majicMIX realistic等，这是C站上放出的一些图片，可以看到确实非常逼真了

4.4 2.5D模型

2.5D是半3D的意思，简单来说，2D是平面图形，如图片等没有厚度和轮廓的图形。而3D是具有厚度、可以从各个角度观看的立体图形，例如通过3D打印出来的实物模型。2.5D位于2D和3D之间，它加入了部分3D元素但不完全是3D

比较出名的2.5D模型有GuoFeng3等，这是它的一些效果图

5. SDXL模型

与之前的SD1.5大模型不同，SDXL在架构上采用了“两步走”的生图方式:

以往SD1.5大模型，生成步骤为 Prompt → Base → Image，比较简单直接；而这次的SDXL大模型则是在中间加了一步 Refiner。Refiner的作用是什么呢？简单来说就是能够自动对图像进行优化，提高图像质量和清晰度，减少人工干预的需要。

简单来说，SDXL这种设计就是先用基础模型（Base）生成一张看起来差不多的图片，然后再使用一个图像精修模型（Refiner）进行打磨，从而让图片生成的质量更高。而在没有这个之前，我们往往需要通过其他手段，如高清修复或面部修复来进行调优。

除了有出图质量更高这个优势，SDXL还有以下优点：

支持更高像素的图片（1024 x 1024）

对提示词的理解能力更好，比较简短的提示词也能达到不错的效果

相比SD1.5模型，在断肢断手多指的情况上有所改善

风格更为多样化

当然，每件事物不可能是完美的，所以SDXL也有一些局限性：

1、低像素出图质量不高

由于SDXL都是用1024×1024的图片训练的，这既导致它在这个像素级别上生成的质量比较高。但同时也导致了它在低像素级别（如512×512）生成的质量反而比较低，甚至不如SD1.5等模型。

2、与旧Lora不兼容

过去一些适用于SD1.5, 2.x 的Lora和ControlNet模型，大概率无法使用，得重新找一些带有SDXL的模型

3、对GPU显存的要求更高

4、出图时间也变久了

模型的下载

这次模型的下载有点不同，因为我们需要下载三个模型，分别是：sd_xl_base_1.0.safetensors、sd_xl_refiner_1.0.safetensors 和 sdxl_vae.safetensors。

三个模型的地址分别是：

https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/tree/main

https://huggingface.co/stabilityai/stable-diffusion-xl-refiner-1.0/tree/main

https://huggingface.co/stabilityai/sdxl-vae/tree/main

6. SD3模型

相比SD之前的版本，SD3有比较大的改进。首先，SD3是一个基于Rectified Flow的生成模型；其次，SD3引入了T5-XXL来作为text encoder来提升模型的文本理解能力；最后，SD3采用了一个多模态的DiT架构，并且将模型参数量扩展为8B。从目前给出的例子和评测上，SD3在文字渲染和对文本提示词的遵循上，已经达到甚至超过目前STOA的文生图模型如DALL·E 3、Midjourney v6和Ideogram v1。

模型结合了三种不同的文本嵌入器——两个CLIP模型和一个T5，以编码文本表示，并使用改进的自动编码模型对图像token进行编码。其核心采用了与Sora相同的DiT技术。

此次开放的模型准确来说是 Stable Diffusion 3 Medium，包含 20 亿参数，具有体积小、适合在消费级 PC 和笔记本电脑上运行的优点，所以普通人也可以将其部署到自己的电脑上使用。SD3 Medium 的优点包括：

① 图像质量整体提升，能生成照片般细节逼真、色彩鲜艳、光照自然的图像；能灵活适应多种风格，无需微调，仅通过提示词就能生成动漫、厚涂等风格化图像；具有 16 通道的 VAE，可以更好地表现手部以及面部细节。

② 能够理解复杂的自然语言提示，如空间推理、构图元素、姿势动作、风格描述等。对于「第一瓶是蓝色的，标签是“1.5”，第二瓶是红色的，标签是“SDXL”，第三瓶是绿色的，标签是“SD3”」这样复杂的内容，SD3 依旧能准确生成，而且文本效果比 Midjourney 还要准确。

③ 通过 Diffusion Transformer 架构，SD3 Medium 在英文文本拼写、字距等方面更加正确合理。Stability AI 在发布 SD3 官方公告时，头图就是直接用 SD3 生成的，效果非常惊艳。

Prompt： 木桌上放着三个透明玻璃瓶。左边的是红色液体，数字是 1。中间的是蓝色液体，数字是 2。右边的是绿色液体和数字 3。

这个案例展示了SD3不仅能生成静态图像，还能模拟现实世界的物理特性，如透明度和光影效果，进一步丰富了AI艺术的表现力。

另外此次 SD3 Medium 模型的授权范围是开放的非商业许可证，也就是说没有官方许可的情况下，模型不得用于商业用途，这点是需要大家注意的。

虽然 SD3 在图像质量、细节、对提示词的理解、文本内容生成能力上有了明显提升，但是也存在一些不足，比如在生成手部的时候依旧会出现错误，以及在生成 “lying（躺）” 这个姿势时，人物会出现严重的崩坏。有人推测是因为 SD3 对内容安全有严格审查，导致相关内容受到影响。

7. SD3.5模型

Stable Diffusion 3.5（简称SD 3.5）是Stability AI 推出的最新图像生成模型，是3.0版本的升级版。这次的更新主要提升了图像质量，还优化了运行速度，尤其是在本地部署和硬件要求上更具弹性。最让人眼前一亮的功能，就是可以生成百万像素级别的高分辨率图片，直接输出专业级别的图像，不需要再二次放大。这意味着，即便你只是日常使用，也能获得相当高质量的成品。

版本介绍：Large、Large Turbo 和 Medium 版本的区别:

SD 3.5 一共有三个主要版本：Large、Large Turbo 和即将发布的 Medium。这些版本的不同之处，简单来说就是“大小”和“速度”的平衡。

Large 版本

• 参数量：80亿。

• 分辨率：支持生成1MP（百万像素）及以上的高清图像。

• 适用场景：适合需要精细、高分辨率图像的用户，比如专业设计师或者有高级绘画需求的人。

Large Turbo 版本

• 参数量：跟Large差不多，但做了精简。

• 分辨率：几乎和Large相同，但生成速度更快。

• 适用场景：对生成速度要求高的用户，可以在几乎不损失太多质量的前提下，快速出图。

Medium 版本（10月29日发布）

• 参数量：25亿。

• 分辨率：支持生成0.25MP到2MP的图像。

• 适用场景：适合电脑配置较低的用户。这个版本在速度上会有优势，适合那些不追求极致画质的场景。

对比 Flux 和 MidJourney：谁更强？

那么，SD 3.5 和 Flux 以及 MidJourney 比起来怎么样呢？总的来说，它们的性能和功能都处在一个水平线，但各有侧重。

Flux 大模型

Flux 更擅长创意发散，生成的图像在创意性和风格多样性上有着不错的表现，尤其是在一些实验性风格或者复杂的艺术风格上，表现得更加出色。如果你是追求极致艺术创作的用户，Flux 会让你更满意。

MidJourney

MidJourney 在艺术性和细节处理上一直表现得很好。它可以生成非常精美的艺术画作，尤其是对一些细节的把控更为细腻，生成的画面有着更强的艺术感。如果你是想要生成一些氛围感强烈的图像，MidJourney 是不错的选择。

SD 3.5

SD 3.5 在质量和速度上都达到了不错的水准，特别是它的商用友好政策让它对一些小型创作者来说很有吸引力。不过，在创意性和细节处理上，它并没有超越 Flux 或 MidJourney，只是达到了同样的水平。对于大多数用户来说，这三者的差异并不影响实际使用体验，完全看你个人的偏好和需求。

8. SD 3.5对比Flux

照片写实主题

1. 专业摄影/电影效果人像

提示词：a cinematic front view photo of a slim white male dryad emerging from a tree, his eyes closed with his head lowered, facing the viewer with his back on the tree. His arms and chest are made of green branches and white flowers, his hair made of brown vines and branches, his body fused with the tree trunk, his skin covered in moss and leaf, his shoulders and collar bone resembling pale human skin. The photo is taken with a 35mm lens capturing the essence of golden hour.

这一轮我得承认SD3.5远远胜过Flux dev。虽然如果要抠字眼的话，Flux确实对我提示词中写到的“front view”“golden hour”和“hair made of branches”有更好的呈现，但是SD3.5的色彩和打光明显要比Flux“漂亮”很多，甚至可以说是接近Midjourney V6.1的水平。这种审美水平在开源模型里其实是非常难得的（我迄今仍然在traumatized by AuraFlow……笑死），尤其是我后来发现aesthetic其实是一种很抽象的东西，有人也专门用MJ做的图去微调过Flux，但是我看了下效果离真正的MJ生成图还是差非常远。（顺便一说，我不知道SD官方Replicate页面用的是什么黑魔法，但是我的这个提示词只有在官方付费渠道才生成得出来“树枝做的身体”，本地运行的就是死活做不出来，再怎么整CFG或者Dynamic Thresholding都没卵用）

提示词：full color portrait photo of a 20yo woman laying underwater, sunlight casting realistic water caustics on her face and body, she’s wearing a gauze white dress.

……这轮我能说还是SD3.5胜吗？虽然胜得不多，但在我心里还是胜。首先，我选择这个提示词就是因为过去的SD和Flux对于“water caustics”究竟是什么鬼东西完全没有数，只有MJ和Ideogram做得出来。说实话，SD3.5的water caustics虽然也算不上好，但是我感觉它的理解还是相对来讲好一些，而且Flux做得感觉人物根本就不在水下，就好像是那种，普通环境里加上了一个水池和打光一样，看起来很假。除此之外Flux的锁骨阴影实在是……当然这个后来被人微调了就解决了，但我们现在都是比较官方基模嘛。

提示词：a top-down close-up photo of a slim attractive woman playing the piano, the camera focusing on her hands, she is wearing a red and black plaid skirt, the piano is shiny and black. The photo is taken in a bright room with soft diffused sunlight.

啊……这个主题我觉得只能说打个平手吧，Flux对于手的结构的呈现还是明显更好（它这一点可以说是非常出名了hhhhh），但是细看的话会觉得Flux的手指有点太统一了，就是中间三根手指好像都长得一模一样。SD3.5的手指在皮肤细节上看起来更自然，但是红得有点过头了（等等好像Flux的手也很红，笑死），而且右手的手背莫名其妙陷下去一块儿，左手虎口那里的皮肤明显就不对，当然SD这张图最大的问题还是在钢琴hhhhh右边怎么就没了！不过还是得说真的很佩服Flux做钢琴的能力，从左到右虽然黑键有一些问题，白键之间的距离和宽度等等都是极其精准地相等，这个还是很厉害的。

2. 随手拍/业余风格人像

提示词：Amateur phone photo of a slim attractive white man, wearing unbuttoned long-sleeve white dress shirt and black pants. He is sitting on the front edge of bed, hand running through his hair, while looking at viewer. The photo was taken in a bedroom at night, the bedroom is dimly lit with warm color tone, the only light source is the bedside table lamp. The photo was posted to reddit in 2012. The image is grainy jpeg with motion blur and soft focus, a snapshot taken by amateur with deep focus, added digital sharpening and blurry, diffused poor lighting.

这轮SD3.5输得太彻底了，完全没有任何还手的余地。提示词里大部分的要求全都没做到，身材也不slim，也没坐在床的前边缘，也没用手捋头发，室内光线也不够暗，台灯也不是唯一的光源，看起来也不像普通人随便拍的。SD3.5这轮出的图完全只能说是SDXL的水平，腿还陷在床里了（标志性SDXL，笑死），总之非常糟糕。

提示词：amateur side view photo of a slim white woman, she is cooking in kitchen and wearing a white apron, underneath the apron is a plain grey tshirt, she is looking at the food in the steel sauce pot, her head lowered, holding a wooden spoon in her right hand. The photo was taken from her left side by an amateur, taken with a smartphone in 2015, in a modern kitchen with soft diffused indoor lighting at night.

啊这……SD3.5还是输得很惨。主要是手指太cursed了……但是用这个提示词Flux也没有逃过浅景深的命运，然而整体来说SD感觉差得实在有点远，尤其那个扎起来的头发完全不科学，一个人的发量是有限的……另外就是SD图的眼睛的侧面感觉不正常，下睫毛即使从侧面看也不会是这种效果。哦还有，SD生成的那个锅把手也不对……

3. 建筑/物品/动物

提示词：low angle close-up photo of the Eiffel Tower, on a sunny day in Paris, center composition

SD3.5 be like：别打了求求你了这个伦家真的打不过嘤嘤嘤(☍﹏⁰)｡

提示词：a photo of a seal bicolor ragdoll cat, it is facing camera, standing on its hind legs on a blue pillow, holding out one paw, wearing a wizard hat and a purple wizard robe, casting spells with its paw, silver sparkles swirling around its paw. The photo is taken in a spring garden in the morning, with bright diffused natural lighting.

SD3.5扳回一城！虽然质量上感觉差的不多，但是Flux的景深未免太离谱了，而且Flux也没有做出来silver sparkles而是做成了golden sparkles（不过Flux理解了“只伸出一只爪子”）。SD3.5的猫爪质量比较捉鸡，但是Flux显然对seal bicolor ragdoll cat是啥一无所知（这也是为啥我后来自己训练了一个LoRA……），SD3.5的虽然也不是我要的那个猫，但它至少看着也像是一个point ragdoll……

提示词：Photograph of a majestic cake adorned with intricate fondant decorations inspired by ocean waves. The whole cake has a base color of modest dark blue, surrounded by swirls of light blue layers shaped like ocean waves, the layers closing in from bottom to top, forming a curved shape like a blooming rosebud. On the outer side of the cake, pink and purple corals decorating the bottom of ocean wave fondant, resembling a beautiful tiara. The photo is taken in a room with simple dark background.

不得不承认SD3.5的aesthetic真是……on another level。虽然它没有完全遵循我提示词里最后说的“pink and purple corals decorating the bottom of ocean wave fondant”（珊瑚不在底边在上面），也没有做出来我说的“forming a curved shape like a blooming rosebud”，但是我真的非常喜欢SD的配色（尤其是这个蓝绿色的渐变，太好看了），以及整体的美学呈现。Flux虽然正确遵循了我的“rosebud”提示词，但也没有get到底边的装饰应该是珊瑚形状的而不是玫瑰，而且它外层的那个浪花看着就很low，离SD3.5的审美差很远。（SD生成的那个蛋糕底座的紫色丝带倒是……有点破坏氛围，但是这种东西也容易P掉）

各类美术风格

1. 漫画/动画/简笔涂鸦等

提示词：1980s Retro manga style illustration of a slim young white man, with messy wavy light brown hair and fair skin, his head tilted to the side, his face clean-shaved. The image only portrays his face and chest. He is wearing a long clothing made of white waterlily flowers and green leaves, the thick layers of leaf covering his whole body, contrasting his blue eyes, a laurel leaf wreath on his head, while he looks at viewer. He is in a summer forest at dusk, soft diffused sunlight shining on him.

这轮两个都输得够惨的……首先两个模型都不晓得“1980s Retro manga”是指的啥，SD的看起来就是比较generic的现代插画，FLUX的好像也……反正都离我们普遍认知离的80年代漫画差很远。FLUX对于“a long clothing made of white waterlily flowers and green leaves”的理解还是要比SD强很多（不过这点我也早就知道了……），以及FLUX也做出了我想要的背景，大概是因为训练素材完全不一样，我感觉这两个很难对比……

提示词：Vector clipart of a fluffy orange cat sitting on an office chair, facing a computer moniter, its one paw placed on keyboard, one paw placed on mouse, turning to look at viewer, simple pale pink background, bold line style.

这轮SD被捶得死死的。首先这个猫就没坐在电脑椅上，爪子也没放在键盘上，画风也不是我想要的那种简洁的矢量图风格，相比之下FLUX除了把猫生成对眼儿了以外基本上没毛病。

提示词：Crayon drawing of a chubby white duck on top of a tubby orange cat on top of a small capybara. All three animals stacked vertically, on the grass of a sunny garden.

SD又扳回一城！首先我要的就是Crayon drawing（蜡笔画），所以很明显我想要的就是一种比较随意、比较粗糙的感觉，不应该有像FLUX出的图这种过于精致过于严格的线条。SD的图虽然也不完全像蜡笔（感觉更像细的彩笔一点），但是很有我想要的那种粗糙的普通人手绘的感觉，加分！

2. 其他美术风格

提示词：Retro 16bit pixel game art of a grumpy penguin with wings, facing the viewer while holding a large board that says “IT’S PENGUIN, NOT PENGWING”, sitting on ice in antarctica, the image is nostalgic and pixelated with vibrant colors.

这个怎么说呢……虽然我更喜欢FLUX的配色，但是SD的出图应该更符合人们印象中的“retro pixel game art”，像素块要大一些，而且色彩非常鲜艳以及高对比（笑死，看多了晃眼睛），两个模型生成这段文字都非常轻松。那我就暂且说它们打了个平手吧！

提示词：3D animation movie scene of a grumpy penguin with wings, facing the viewer while holding a large board that says “IT’S PENGUIN, NOT PENGWING”, sitting on ice in antarctica, DreamWorks style.

呃……虽说确实都是3D动画风格吧，但是！！！但是SD这个未免也太丑了！我喜欢SD的那个翅膀，但是脸真的好难看……FLUX感觉相对来讲更接近马达加斯加的企鹅那种风格。虽然FLUX图里拿着牌子的翅膀连接到身体的部分好怪啊……就好像只有细细的骨头……SD的版本，拿着牌子的部分也好怪，怎么有手指XD

提示词：A renaissance oil painting of a strange creature that resembles a chimera of fish and cat, the creature’s upper body is a white angora cat, its lower body looks like tropical fish with iridescent fish scales. The creature is swimming in the sea, the water is dark blue colored.

SD拿下最后一轮！我感觉FLUX在鱼的那半部分其实还不错，看起来确实是油画的感觉，但是猫的部分就实在太假了，而且鼻子嘴那块好像也怪怪的，眼睛好像也太大了……SD的版本就很符合我预期的样子，虽然后腿的位置有点崩了，但是我还真的蛮喜欢SD的配色（FLUX甚至没听我话做“the water is dark blue colored”）。

转自：秘问

来源链接：https://mp.weixin.qq.com/s/8WRupgG__z7m2SI_lxFnMA