3000字干货！五个章节深入掌握 Stable Cascade（附模型下载）

在 2024 年 2 月 12 日，Stability.Ai 公司发布了新模型 Stable Cascade。

上线了一段时间的新模型，小伙伴们体验感如何呢？这篇文章和你深度聊聊~

往期介绍：

一、前言

Stable Cascade 模型最大的优点是

1. 是能生成带有文字的图片，文字出错率相比以前模型少很多；
2. 其次是硬件要求降低，甚至与 sd1.5 相比，该架构比之前版本实现了 16 倍的成本降低；
3. 最后一大亮点是模型更加理解提示词语义。

这篇文章带大家详细了解 Stable Cascade 模型。最后我整理打包了此模型，「Stable cascade 模型+安装方法+工作流」整套放在了文章最后，伙伴们自行下载~

二、效果对比（Cascade 模型与 SDXL 模型）

左边使用 Cascade 模型出的效果图片

右边使用 SDXL 模型出图效果：

提示词：text“stable”，Made from green shrub leaves,

提示词：text“stable”，The text is made of colorful energy.

提示词：A cute cat

提示词：a cat eating a piece of cheese

提示词：A high-definition full body photo of a beautiful Asian girl in a summer park，full-size photograph，full-size photograph

通过以上的图片，小伙伴更喜欢哪种模型出的效果呢~

根据官方给到的评估结论，在几乎所有比较中，Stable Cascade 在理解提示词语义方面和美观质量方面都表现最好。

Stable Cascade 模型和其他模型的数据对比

三、Cascade 模型是什么？

Cascade 模型与之前的 sd 模型相比，主要区别是可以在更小的潜空间中工作。

潜空间可以简单理解为 ai 计算生成图片的区域，潜在空间越小，推理速度就越快，训练成本也就越低。

之前的 sd 模型如果想要生成一张 1024*1024 的图片，在潜空间的编码为 128*128，使用的压缩因子为 8，可以简单的理解为 1024*1024 的图片除以 8（压缩因子）等于在潜空间的编码大小 128*128。

而 Stable Cascade 的压缩系数为 42，这意味着可以将 1024x1024 图像，在潜空间的编码为 24x24，这样就可以使用更小的潜空间尺寸，并且实现清晰的图像输出。甚至与 sd1.5 相比，该架构比之前版本实现了 16 倍的成本降低。

因此，这种模型非常适合快速的生成高质量图片。并且当前已知的扩展（如微调、LoRA、ControlNet、IP 适配器、LCM 等）也可以通过此方法实现。

四、Cascade 的文件结构

Stable Cascade 模型逻辑流程图

1. Stable Cascade 由三个模型组成

Stage A、Stage B 和 Stage C，代表级联生成图像。

「级联」是指多个系统、设备或组件按照一定的顺序依次连接起来，形成一个整体，其中前一个系统、设备或组件的输出作为后一个的输入。因此得名“Stable Cascade”。

2. Stable Cascade 如何级联运行

A 阶段和 B 阶段用于压缩图像，类似于 stable diffusion 中 VAE 的工作。然而，通过这种设置，可以实现更高的图像压缩。此外，阶段 C 负责在给定文本提示的情况下生成小的 24 x 24 潜伏。

比如输入提示词“鳄梨形状的扶手椅”，就会进入到第一步潜在的生成器，并且使用 stage C 模型生成较小的潜在图像，生成完成后，会进入到 stage B 和 stage A，对生成的潜在图像内容还原到像素空间。

Stable Cascade 模型输入提示词后的生成流程

五、使用 Cascade 模型的流程和工作流搭建

1. 下载模型

①模型下载分为两个部分：Cascade 模型+clip 模型;

②cascade 模型又分为 stageA,stageB,stageC,官方对 stage C 和 stage B 分别提供了两个版本，每个模型只需要下载其中一个即可;

③其中 stage C 提供 10 亿和 36 亿参数版本，官方强烈建议使用 36 亿版本，生成的图像会有更加有细节。

Stage B 的两个版本分别达到 7 亿和 15 亿个参数。15 亿擅长重建微小而精细的细节。

④最后，Stage A 包含 2000 万个参数，只有一个版本直接下载默认版本的即可。

如果你的电脑性能足够，当前建议直接下载较大文件体积的模型，能够获得更好的结果。

clip 模型在 text_encoder 文件夹，只有一个版本，下载 model.safetensors 模型即可。

这些模型我也打包好了，放在文章的最后，可以直接下载使用。

2. 安装模型

将 stage C 和 stage B 这两个模型放置到 ComfyUI 根目录\ComfyUI\models\unet 文件夹中。

stage C 和 stage B 这两个模型放置的文件位置

stage A 模型放置到 ComfyUI 根目\ComfyUI\models\vae 文件夹中

stage A 模型放置的文件位置

最后将 clip 模型放置到 ComfyUI 根目录\ComfyUI\models\clip 文件夹中，这样使用 cascade 的模型安装也完成了。

clip 模型放置的位置

3. 更新 Comfyui 版本

将 comfyui 更新到最新版本即可，官方将需要的模块已经同步进模型包了，

comfyui 的更新方法，打开秋葉的启动器，具体怎么将秋葉启动器安装到官方的 comfyui 包中，可以参考这条视频的方法。

一分钟教你使用秋葉启动器对 Comfyui 进行升降版本，版本管理：

点击“版本管理”-右上角的“一键更新”按钮，即可将 comfyui 更新到最新版本。

秋葉启动器安装到官方的 comfyui 包，进行一键更新

4. 工作流搭建

拿到官方更新的 cascade 工作流之后，工作流应该会默认安装好这四个模型，你也可以点击模块上的模型加载位置检查模型是否加载完成。

四个模型安装位置

并且需要注意 load clip 模块上，模型的种类是否选择的是“stable_cascade”，并且加载的是刚刚下载的 clip 模型，你也可以给这个 clip 模型修改一下名称，例如“cascade_clip_model”这样就不会与其他的 clip 模型混淆。

确定模型种类的位置，千万别混淆了

完成以上设置之后，就可以填写提示词，进行图像生成了。

4. Cascade 模型效果展示

文字相关：在 6 个及以下字母的单词生成的准确率非常高，准确率能达到 80%。但是超出 7 个字母后，想要直接生成拼写无误的单词比较困难，准确率在 20%左右。

文字效果如下：

电影海报效果如下：

最后总结

新模型发布：Stable Cascade 在研究预览中发布，采用三阶段方法，提高了质量、灵活性、微调能力和效率，同时进一步降低了硬件要求。

技术细节：Stable Cascade 包括三个阶段（A、B、C），通过分层压缩图像，实现了使用高度压缩的潜在空间达到显著的输出效果。

训练和微调：提供了针对不同阶段的训练和微调脚本，特别是 Stage C，可以单独进行训练或微调，显著降低成本。

参数规模与效率：Stage C 提供 10 亿与 36 亿参数两种模型，Stage B 提供 7 亿与 15 亿参数两种模型，强调了效率和质量的平衡。

结语

以上，既然看到这里了，如果这篇文章能够帮助到你，或者觉得不错，随手点个赞、在看、转发三连吧~如果想要第一时间收到推送，也可以给我个星标~谢谢你看我的文章。

欢迎关注作者微信公众号：「AI芝士计划」