，在 Mac 上原生运行 Stable Diffusion

，在 Mac 上原生运行 Stable Diffusion 本应用内置 Apple 的 Core ML Stable Diffusion 框架 以实现在搭载 Apple 芯片的 Mac 上用极低的内存占用发挥出最优性能，并同时兼容搭载 Intel 芯片的 Mac。 ​​​ 功能 极致性能和极低内存占用 (使用神经网络引擎时 ~150MB) 在所有搭载 Apple 芯片的 Mac 上充分发挥神经网络引擎的优势 生成图像时无需联网 图像转图像（也被称为 Image2Image） 在图像的 EXIF 信息中存储所有的关键词（在访达的“显示简介”窗口中查看） 使用 RealESRGAN 放大生成的图像 自动保存 & 恢复图像 自定义 Stable Diffusion Core ML 模型 无需担心损坏的模型 使用 macOS 原生框架 SwiftUI 开发

Meta AI 研发能在智能手机上运行的紧凑大模型

Meta AI 研发能在智能手机上运行的紧凑大模型 Meta A 的研究人员正在开发智能手机上运行的紧凑型大模型 MobileLLM。研究人员致力于优化参数规模低于 10 亿的大模型，相比下 OpenAI GPT-4 的参数规模据称超过 1 万亿。研究人员报告利用一系列新技术，MobileLLM 在基准测试任务上的表现比类似规模的模型改进了 2.7%-4.3%，3.5 亿参数规模的 MobileLLM 在某些任务的准确率与 70 亿参数规模的 LLaMA-2 模型相当。这意味着在特定任务上，紧凑型大模型能提供比更大规模大模型相似的能力，同时计算开销更低。 via Solidot

高通首次成功在安卓手机上使用 Stable Diffusion 来生成 AI 图像，整个生成时间不超过 15 秒

高通首次成功在安卓手机上使用 Stable Diffusion 来生成 AI 图像，整个生成时间不超过 15 秒 标签: #高通 #Android #Qualcomm 频道: @GodlyNews1 投稿: @GodlyNewsBot

Stability AI发布最新图像生成模型Stable Diffusion XL 1.0

Stability AI发布最新图像生成模型Stable Diffusion XL 1.0 今天，Stability AI 宣布推出 Stable Diffusion XL 1.0，这是该公司迄今为止描述为“最先进”的文本到图像模型。Stable Diffusion XL 1.0 可在上以开源形式使用，并提供给 Stability 的和消费者应用程序和 。Stability 声称，与其前代产品相比，Stable Diffusion XL 1.0 提供了“更生动”和“更准确”的颜色，更好的对比度、阴影和照明效果。 在接受采访时，Stability AI 的应用机器学习负责人Joe Penna 指出，Stable Diffusion XL 1.0 包含 35亿个参数，可以“在几秒钟内”生成多种长宽比的 100万像素分辨率的完整图像。“参数”是模型从训练数据中学习到的部分，基本上定义了模型在解决问题上的技能水平。 上一代稳定扩散模型稳定扩散 XL 0.9 也可以生成更高分辨率的图像，但需要更多的计算能力。 、

【好文推荐】《优化 Stable Diffusion XL 的终极指南》

【好文推荐】《优化 Stable Diffusion XL 的终极指南》 详细介绍和测试了 SDXL 的模型优化方式，可以让 SDXL 在低显存显卡上稳定运行。同时大幅提高生成速度降低图像质量的损失。 推荐有部署和优化 SDXL 需求的朋友收藏阅读，写的真的很好。 详细介绍- 该文详细介绍了如何优化Stable Diffusion XL (SDXL)以在任何显卡上获得最佳质量和性能。文章的核心目标是通过不同的优化技术，使SDXL能够在仅使用6GB内存的情况下生成图像，从而允许使用低端显卡。 作者使用Hugging Face的diffusers库进行脚本编写和开发，旨在让读者了解和应用这些优化技术，以便在各种应用中，如Automatic1111的Stable Diffusion web UI或特别是ComfyUI中，充分利用它们。 测试使用RunPod平台在Secure Cloud上生成了一个搭载RTX 3090显卡的GPU Pod进行。文章比较了不同优化技术的性能，包括感知图像质量、生成每张图像所需时间、以及使用的最大内存量。 优化技术包括CUDA和PyTorch版本选择、注意力机制优化、FP16、TF32、以及多种管道优化技术，如模型CPU卸载、批处理处理、Stable Fast、DeepCache和TensorRT。 文章的结论部分提供了一个表格，总结了所有测试的结果，并提供了在寻求质量、速度或在内存限制下运行推理过程时的建议。 例如，FP16优化通过使用半精度浮点格式显著降低了内存使用量并提高了计算速度，而Stable Fast项目通过运行时优化显著提高了推理速度。DeepCache通过使用缓存系统在保持较小的内存使用增加的同时，大幅减少了推理时间，但可能会略微降低图像质量。 总的来说，这篇文章为那些希望在不同硬件配置下优化Stable Diffusion XL性能的开发者提供了一份详尽的指南，展示了通过各种优化技术实现性能提升的可能性。 文章地址：

Stable Diffusion发布了新的图像模型SDXL 0.9

Stable Diffusion发布了新的图像模型SDXL 0.9 这是文本到图像模型的一项突破性发展，相比前身在图像构成和细节上有显著的改进。SDXL 0.9的应用超越了传统的边界，可以用于电影、电视、音乐和教学视频，以及设计和工业用途。 SDXL 0.9可以在消费级GPU上运行，只需要Windows 10或11，或Linux操作系统，16GB RAM，以及至少有8GB VRAM的Nvidia GeForce RTX 20显卡（或更高标准）。Linux用户也可以使用配备16GB VRAM的兼容AMD卡。 SDXL 0.9的功能不仅限于基本的文本提示，还提供了如图像到图像提示（输入一张图像以获取该图像的变体）、修复（重构图像的缺失部分）和扩展（创建现有图像的无缝扩展）等功能。#SD 来自：雷锋 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot