Stable Diffusion 3.5 Medium و Large چیست؟ راهنمای نصب، اجرا و کاربرد

Stable Diffusion 3.5 خانواده‌ای از مدل‌های Text-to-Image شرکت Stability AI است. دو نسخه مهم این خانواده، Stable Diffusion 3.5 Medium و Stable Diffusion 3.5 Large هستند. هر دو را می‌توان به‌صورت محلی، روی سرور یا داخل یک pipeline تولید تصویر اجرا کرد.

برای اجرای محلی، سرعت بهتر و مصرف منابع کمتر، معمولاً Medium انتخاب عملی‌تری است. برای کیفیت نهایی، Prompt adherence و صحنه‌های پیچیده‌تر، Large مناسب‌تر است.

معماری SD 3.5

نسل 3.5 بر پایه معماری Multimodal Diffusion Transformer (MMDiT) توسعه یافته است. در این معماری متن و نمایش تصویری با ساختاری مبتنی بر Transformer پردازش می‌شوند. خانواده SD3/SD3.5 از چند text encoder شامل CLIP و T5 استفاده می‌کند.

هدف این نسل بهبود موارد زیر است:

• درک Promptهای طولانی و پیچیده
• انسجام و جزئیات تصویر
• Typography و متن داخل تصویر
• پشتیبانی بهتر از Resolution و Aspect Ratioهای مختلف
• قابلیت اجرای Local و Customization
• سازگاری با Hugging Face Diffusers و ComfyUI

Medium و Large چه تفاوتی دارند؟

Stable Diffusion 3.5 Medium

Medium حدود 2.5 میلیارد پارامتر دارد و برای تعادل بین کیفیت، سرعت و مصرف منابع ساخته شده است. Stability AI در این مدل از نسخه بهبودیافته‌ای به نام MMDiT-X استفاده کرده است.

Medium برای این کاربردها بسیار مناسب است:

• ساخت Cover و Hero Image
• تصاویر شبکه‌های اجتماعی
• Prototype سریع
• Game/UI Asset
• Concept Art
• LoRA و Fine-tuning با هزینه کمتر
• سرویس‌های داخلی با GPU محدودتر

Stable Diffusion 3.5 Large

Large حدود 8.1 میلیارد پارامتر دارد و مدل قدرتمندتر خانواده است. زمانی مناسب است که جزئیات، Prompt adherence و Composition اهمیت بیشتری از سرعت و مصرف حافظه داشته باشند.

کاربردهای مناسب:

• Key Visual حرفه‌ای
• تبلیغات
• Concept Art پیچیده
• صحنه‌های چندسوژه
• Typography پیچیده‌تر
• Workflowهای هدایت‌شده با ControlNet

کدام را انتخاب کنیم؟

سرعت + مصرف حافظه کمتر + Local deployment
→ SD 3.5 Medium

کیفیت + جزئیات + Prompt adherence
→ SD 3.5 Large

برای بیشتر کاربران بهتر است ابتدا workflow را با Medium بسازند و در مرحله نهایی همان Promptها را با Large مقایسه کنند.

نصب پیش‌نیازها

یک محیط مجازی بسازید:

python -m venv .venv

Linux/macOS:

source .venv/bin/activate

Windows:

.venv\Scripts\Activate.ps1

کتابخانه‌ها:

pip install -U torch diffusers transformers accelerate safetensors sentencepiece huggingface_hub

نسخه PyTorch باید با CUDA و Driver سیستم سازگار باشد.

دسترسی از Hugging Face

Repositoryهای رسمی مدل gated هستند. ابتدا در Hugging Face شرایط مدل را بپذیرید و سپس:

hf auth login

Model IDها:

stabilityai/stable-diffusion-3.5-medium
stabilityai/stable-diffusion-3.5-large

اجرای Medium با Diffusers

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-medium",
    torch_dtype=torch.bfloat16,
).to("cuda")

image = pipe(
    prompt="A minimal futuristic AI laboratory, deep blue lighting, cinematic, highly detailed",
    num_inference_steps=28,
    guidance_scale=5.0,
    height=1024,
    width=1024,
).images[0]

image.save("sd35-medium.png")

اگر GPU شما با BF16 مناسب نیست، torch.float16 را امتحان کنید.

اجرای Large

import torch
from diffusers import StableDiffusion3Pipeline

pipe = StableDiffusion3Pipeline.from_pretrained(
    "stabilityai/stable-diffusion-3.5-large",
    torch_dtype=torch.float16,
)

pipe.enable_model_cpu_offload()

image = pipe(
    prompt="A brutalist museum floating above a calm ocean at sunset",
    negative_prompt="low quality, blurry, distorted",
    num_inference_steps=28,
    guidance_scale=5.0,
    height=1024,
    width=1024,
).images[0]

image.save("sd35-large.png")

برای Large مدیریت حافظه مهم‌تر است.

کاهش مصرف VRAM

راهکارهای متداول:

• استفاده از FP16 یا BF16
• enable_model_cpu_offload()
• کاهش Resolution
• Quantization
• استفاده از FP8 در workflowهای پشتیبانی‌شده
• استفاده از Medium به‌جای Large
• خارج کردن مدل‌های دیگر از GPU

SD3.5 چند text encoder دارد؛ بنابراین RAM و VRAM هر دو اهمیت دارند.

نصب با ComfyUI

ComfyUI برای workflow بصری SD3.5 گزینه مناسبی است.

Checkpoint را در این مسیر قرار دهید:

ComfyUI/models/checkpoints/

Text encoderها:

ComfyUI/models/text_encoders/

Encoderهای رایج:

clip_l
clip_g
t5xxl

برای سیستم‌های با RAM کمتر، نسخه FP8 از T5-XXL می‌تواند مفید باشد. ComfyUI برای SD3.5 workflowهای نمونه نیز ارائه می‌کند.

Prompt نویسی

Prompt را ساختاری بنویسید:

Subject: futuristic electric motorcycle
Environment: dark industrial studio
Lighting: soft blue rim light, dramatic shadows
Camera: three-quarter view, 50mm lens
Style: premium automotive advertising photography
Details: carbon fiber, realistic reflections, clean background

نمونه نهایی:

A futuristic electric motorcycle inside a dark industrial studio,
three-quarter view, premium automotive advertising photography,
soft blue rim light, dramatic shadows, carbon fiber body,
realistic reflections, clean background, highly detailed

Negative prompt سبک:

blurry, low quality, distorted anatomy, deformed, artifacts

تنظیمات مهم

Inference Steps

برای شروع:

25–35

تعداد بیشتر همیشه به معنی کیفیت بهتر نیست.

Guidance Scale

برای شروع:

4.0–7.0

مقدار بیش از حد ممکن است خروجی را مصنوعی‌تر کند.

Seed

برای خروجی قابل تکرار:

generator = torch.Generator(device="cuda").manual_seed(42)

image = pipe(
    prompt,
    generator=generator
).images[0]

ControlNet

برای Stable Diffusion 3.5 Large چند ControlNet رسمی منتشر شده است:

• Canny
• Depth
• Blur

Canny برای حفظ ساختار لبه‌ها، Depth برای کنترل هندسه صحنه و Blur برای هدایت ساختار کلی تصویر کاربرد دارد.

کاربردهای واقعی

• Cover مقاله و Hero Image
• تبلیغات
• Social Media Content
• Concept Art
• Game Assets
• Product Visualization
• LoRA و Fine-tuning
• سرویس تولید تصویر داخل سازمان
• Prototype خلاقانه

Production

برای استفاده واقعی فقط کیفیت تصویر را نسنجید. این موارد هم مهم‌اند:

• inference latency
• VRAM و RAM
• batching
• queue management
• caching
• Resolution
• safety و moderation
• GPU cost
• model versioning
• reproducibility

بهتر است Model ID، prompt، negative prompt، seed، steps، guidance و resolution را در metadata ذخیره کنید.

License

Medium و Large تحت Stability AI Community License منتشر شده‌اند. این License استفاده تحقیقاتی، غیرتجاری و بخشی از استفاده‌های تجاری را تحت شرایط مشخص مجاز می‌کند. برای سازمان‌های بزرگ‌تر یا استفاده تجاری گسترده باید شرایط فعلی Stability AI بررسی شود.

قبل از قرار دادن مدل در محصول تجاری، همیشه نسخه فعلی License را مستقیماً بررسی کنید.

جمع‌بندی

SD 3.5 Medium برای توسعه محلی، سرعت، هزینه کمتر و iteration سریع مناسب‌تر است.

SD 3.5 Large برای زمانی است که کیفیت نهایی، Prompt adherence و Composition پیچیده اهمیت بیشتری دارند.

بهترین روش عملی این است که ابتدا pipeline را با Medium توسعه دهید و سپس خروجی نهایی را با Large benchmark کنید.

منابع رسمی

• Stable Diffusion 3.5 Medium — Hugging Face
• Stable Diffusion 3.5 Large — Hugging Face
• Introducing Stable Diffusion 3.5 — Stability AI
• Stable Diffusion 3 Pipeline — Diffusers
• SD3.5 Reference Implementation
• ComfyUI SD3.5 Examples