本教學指導搭載 Apple Silicon(M 系列晶片)Mac 的使用者,如何利用 PyTorch 的 MPS(Metal Performance Shaders)硬體加速技術,在本地端部署並運行 Stable Diffusion 3 圖像生成模型。這讓開發者與創作者無需依賴雲端 API,即可在個人電腦上進行高效、隱私且免費的本地 AI 繪圖。
本文為 Replicate 釋出的技術教學,指導讀者如何在 Apple Silicon (M1/M2) Mac 上本地運行 Latent Consistency Model (LCM)。LCM 透過大幅減少去噪步數(僅需 1-4 步),將原本需要數十秒的 Stable Diffusion 圖片生成時間縮短至一秒以內,非常適合需要即時反饋的創作者與開發者。
Hugging Face 發表了將 Stable Diffusion XL (SDXL) 部署於 Mac 的 Core ML 最佳化方案。透過先進的量化技術(如 6-bit 與 8-bit 量化),成功將龐大的 SDXL 模型體積縮減,使其能在 Apple Silicon(M1/M2 系列晶片)的 Mac 上流暢運行,顯著降低記憶體需求,並充分釋放 Apple 神經網路引擎(ANE)的硬體效能。
Hugging Face 發布全新開源專案 swift-diffusers,專為 Apple 生態系設計。該專案利用 Apple 的 Core ML 技術,讓 Stable Diffusion 模型能在 Mac(Apple Silicon)及 iOS 裝置上發揮極致效能。開發者可藉此輕鬆將 AI 繪圖功能整合至原生 App 中,並享有低記憶體佔用與神經網路引擎(ANE)加速的優勢。