CopoHub Trending

CompVis/stable-diffusion

A latent text-to-image diffusion model

Jupyter Notebook · ★ 72,540 · Fork 10,600 · 在 GitHub 查看

在手机上浏览源码、订阅每日 AI 趋势日报与项目架构深度解读:获取 CopoHub 客户端(iOS & HarmonyOS)→

GitHub Trending 上榜记录

CompVis/stable-diffusion 已在 GitHub Trending 每日榜单上榜 2 天,最高排名第 6,首次上榜 2026-02-23,最近一次上榜 2026-02-24。

日期排名Star当日增长
2026-02-24#672,540+36
2026-02-23#672,474+55

同期上榜的项目

CompVis/stable-diffusion 项目深度剖析与商业评估报告

CompVis/stable-diffusion 项目深度剖析与商业评估报告

1. 核心定位与商业落地价值

1.1 根本痛点解决

Stable Diffusion v1 解决了生成式 AI 领域一个根本性的工程矛盾:高质量文本条件图像生成的高昂计算成本与大众化部署需求之间的冲突。在它出现之前,DALL-E 2 和 Imagen 等模型依赖数百亿参数和超大算力集群,仅能在云端受限访问。Stable Diffusion 通过将扩散过程从像素空间迁移到感知等效的潜空间(Latent Space),将计算复杂度降低约一个数量级——这是其能够以 860M UNet + 123M CLIP 文本编码器在 10GB VRAM 消费级 GPU 上运行的根本原因。

1.2 企业级落地场景

创意产业自动化流水线:广告素材批量生成、游戏原画概念草图快速迭代、电商产品场景图合成。img2img 能力使企业可将现有素材库作为输入进行风格化重绘,而非从零生成。 内容平台的后端增强服务:以 API 形式嵌入设计工具(如 Photoshop 插件生态),提供"文本引导的图像编辑"能力。 垂直领域微调基座:SD v1 的开放权重(CreativeML OpenRAIL-M 许可)允许商业使用,使其成为法律/医疗/工业设计等垂直领域 LoRA 微调的事实标准底座。例如,建筑行业可用特定风格数据集微调出符合本地审美的方案生成器。

1.3 竞品差异化与护城河

与同期闭源模型(Midjourney、DALL-E 2)相比,其护城河并非模型性能(当时并非 SOTA),而是开源权重 + 宽松许可 + 低硬件门槛的三重组合。这催生了极其庞大的社区生态(ControlNet、LoRA、A1111 WebUI),形成了数据飞轮:社区贡献的训练技巧和工具反过来提升了模型的可控性和商业适配性。这种生态壁垒是后续 Google(Imagen 不开源)和 OpenAI 难以在开源层面撼动的。

查看完整 AI 分析 →

在 README 中展示上榜徽章

GitHub Trending

[![GitHub Trending](https://github.fq6825.top/badge/CompVis/stable-diffusion.svg)](https://github.fq6825.top/repo/CompVis/stable-diffusion)