Which image editing model should I use?★ 78
Replicate Blog252d agoTutorialReplicate 發布影像編輯模型終極指南，系統性比較 Inpainting（區域重繪）、Instruct-based（指令編輯）與 ControlNet 等不同技術路徑。文章針對 FLUX.1-fill、Stable Diffusion XL、CosXL 等熱門模型進行實測，幫助開發者與設計師依據「精準度」、「操作難易度」與「影像保留度」選擇最適合的 AI 影像編輯工具。
Diffusers welcomes Stable Diffusion 3.5 Large★ 85
Hugging Face Blog588d agoReleaseHugging Face 的 Diffusers 程式庫已正式支援 Stability AI 最新推出的 Stable Diffusion 3.5 Large 模型。此模型擁有 80 億參數，在提示詞遵循度、圖像品質及多樣性上皆有顯著提升。開發者現在可以透過簡單的程式碼載入模型，並利用 CPU Offloading、bfloat16 及量化技術，在消費級 GPU 上順暢運行。
Run Stable Diffusion 3 on your Apple Silicon Mac
Replicate Blog714d agoTutorial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。
Push a custom version of Stable Diffusion 3★ 70
Replicate Blog718d agoNew ToolReplicate 宣布支援用戶部署自定義版本的 Stable Diffusion 3 (SD3)。開發者可以使用開源工具 Cog 將微調後的 SD3 模型、自定義權重（如 LoRA）打包，並上傳至 Replicate 平台。部署完成後，即可透過直觀的網頁介面進行測試，或利用生產級的 API 進行大規模圖像生成，大幅降低了雲端 GPU 部署、自動擴展與維護的門檻，非常適合新創團隊與獨立開發者快速將 AI 應用落地。
Diffusers welcomes Stable Diffusion 3★ 80
Hugging Face Blog720d agoReleaseHugging Face 宣布其 diffusers 函式庫已正式整合 Stability AI 的 Stable Diffusion 3 (SD3)。本次更新全面支援 SD3 Medium 模型，並引入多項關鍵的記憶體優化技術（如 CPU offloading、float16 精度與可選的 T5-XXL 編碼器），讓開發者能在消費級 GPU 上流暢運行。此外，官方也同步釋出了 DreamBooth 與 LoRA 的微調腳本，大幅降低了客製化圖像生成模型的門檻。
Run Stable Diffusion 3 with an API★ 70
Replicate Blog720d agoNew ToolStability AI 的最新文字生成圖像模型 Stable Diffusion 3 已正式上架雲端託管平台 Replicate。此版本模型在圖像生成品質、文字排版精準度、複雜提示詞理解能力以及資源運行效率上，皆比前代有顯著的提升。開發者現在可以透過 Replicate 提供的雲端 API，僅需編寫一行程式碼，就能輕鬆將其整合至應用程式中。
SegMoE: Segmind Mixture of Diffusion Experts★ 75
Hugging Face Blog850d agoReleaseSegmind 發表 SegMoE 框架，借鑑 LLM 的混合專家（MoE）架構並將其應用於 Stable Diffusion 等擴散模型。該技術允許開發者將多個專門的 SDXL 專家模型合併為一個，並透過路由機制動態分配生成任務。此方法無需從頭訓練，即可結合不同風格模型的優勢，為影像生成帶來更高的靈活性與效率。
Accelerating SD Turbo and SDXL Turbo Inference with ONNX Runtime and Olive★ 75
Hugging Face Blog869d agoTutorialHugging Face 介紹了如何結合微軟的 ONNX Runtime (ORT) 與 Olive 優化工具，來加速 SD Turbo 和 SDXL Turbo 模型。透過 Olive 的硬體感知優化流程，開發者可以輕鬆將 PyTorch 模型轉換為 ONNX 格式，並進行 FP16 量化與算子融合。這套方案特別適合在 Windows (透過 DirectML) 或 NVIDIA GPU (透過 CUDA) 上部署，能顯著降低單步圖像生成的延遲，非常適合需要即時互動的應用場景。
Run ComfyUI workflows for free with Gradio on Hugging Face Spaces★ 75
Hugging Face Blog870d agoTutorialHugging Face 介紹了如何結合 ComfyUI 與 Gradio，並在 Spaces 上免費運行。使用者只需將 ComfyUI 工作流導出為 API JSON 格式，即可透過 Gradio 建立簡潔的前端介面。這項技術讓創作者能輕鬆分享複雜的 AI 圖像生成工作流，無需讓終端用戶面對複雜的節點圖。
Generate images in one second on your Mac using a latent consistency model
Replicate Blog951d agoTutorial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。
Exploring simple optimizations for SDXL★ 75
Hugging Face Blog952d agoTutorial本文介紹了針對 Stable Diffusion XL (SDXL) 的多項實用推論優化技術。透過 Hugging Face 的 Diffusers 函式庫，開發者可以輕鬆啟用 PyTorch 2.0 的 `torch.compile()`、記憶體高效注意力機制（SDPA）、CPU 卸載（CPU Offloading）以及 VAE 分片與平鋪技術。這些方法能在不犧牲影像品質的前提下，顯著縮短生成時間並降低 GPU 顯示記憶體（VRAM）的需求，讓消費級顯示卡也能流暢運行。
Painting with words: a history of text-to-image AI
Replicate Blog1015d agoCommentary本文回顧了文字生成圖像（Text-to-Image）技術的演進歷程。從早期的 GAN 限制，到 2021 年 VQGAN+CLIP 掀起的社群藝術熱潮，再到 2022 年 DALL-E 2 與 Stable Diffusion 的爆發。隨著 Stable Diffusion 迎來一週年及 SDXL 的推出，開源社群與微調技術正以前所未有的速度重塑視覺創作。
Open-sourcing Knowledge Distillation Code and Weights of SD-Small and SD-Tiny★ 70
Hugging Face Blog1036d agoReleaseHugging Face 宣布開源基於 Stable Diffusion 蒸餾的輕量化模型 SD-Small（約 5.11 億參數）與 SD-Tiny（約 3.23 億參數）的權重與完整訓練程式碼。透過知識蒸餾技術減少 UNet 的層數，這些模型在保留高圖像質量的同時，實現了 1.5 到 2 倍的推理加速。此舉不僅降低了消費級顯卡與行動裝置運行 AI 繪圖的門檻，也讓開發者能自行蒸餾客製化的 SD 模型。
Run SDXL with an API
Replicate Blog1042d agoTutorialReplicate 宣布支援 Stability AI 的 SDXL 1.0 圖像生成模型。開發者無需自行維護昂貴的 GPU 基礎設施，只需透過簡單的 Python、JavaScript 或 cURL API 呼叫，即可在雲端運行 SDXL 1.0。本指南展示了如何設定提示詞、尺寸等參數，並快速將高品質的 AI 繪圖功能整合至應用程式中。
Happy 1st anniversary 🤗 Diffusers!
Hugging Face Blog1048d agoReleaseHugging Face 慶祝旗下核心開源庫 Diffusers 推出一週年。在過去一年中，Diffusers 憑藉直覺的 API 設計，成功降低了 Stable Diffusion 等擴散模型的技術門檻。該庫不僅支援了 ControlNet、LoRA 等多種前沿技術，還透過記憶體優化與硬體加速，讓生成式 AI 走入消費級硬體，成為開源 AI 生態系中不可或缺的基石。
Building an AI WebTV
Hugging Face Blog1051d agoTutorialHugging Face 分享了建立「AI WebTV」的實戰指南。該專案整合了多種開源 AI 技術：利用 LLM 自動生成劇本、透過 Stable Diffusion 產生視覺畫面，並結合 TTS 語音合成技術。最後，利用 FFmpeg 將這些素材即時融合成影片串流，部署於 Hugging Face Spaces 並可同步直播至 Twitch 等平台，展示了多模態 AI 工作流的強大整合能力。
Fine-tuning Stable Diffusion models on Intel CPUs
Hugging Face Blog1054d agoTutorialHugging Face 介紹了如何在 Intel CPU 上微調 Stable Diffusion。透過 Intel Extension for PyTorch (IPEX) 與 Optimum Intel 庫，開發者可利用第四代 Xeon 處理器的 AMX 技術進行 BF16 混合精度訓練。這為缺乏 GPU 資源或想利用現有 CPU 伺服器的團隊，提供了一個高性價比的微調方案。
Ethics and Society Newsletter #4: Bias in Text-to-Image Models
Hugging Face Blog1072d agoCommentary本期 Hugging Face 倫理與社會電子報聚焦於文字生成圖像（Text-to-Image）模型的偏見。文章指出，這些模型在生成職業、社會角色等圖像時，常顯露出嚴重的性別與種族刻板印象。這源於訓練數據中不均衡的代表性，Hugging Face 呼籲社群透過開發評估工具與推動數據透明化來共同應對此挑戰。
Faster Stable Diffusion with Core ML on iPhone, iPad, and Mac★ 75
Hugging Face Blog1083d agoTutorial本文介紹如何利用 Core ML 技術在 Apple Silicon 晶片上加速 Stable Diffusion。透過模型量化（如 6-bit/8-bit）與 Apple 神經網路引擎（ANE）的優化，開發者能顯著降低記憶體佔用，在 iPhone、iPad 和 Mac 上實現本地端超快速的圖像生成，有效解決行動裝置記憶體不足（OOM）的痛點。
Optimizing Stable Diffusion for Intel CPUs with NNCF and 🤗 Optimum
Hugging Face Blog1104d agoTutorial本文介紹 Hugging Face 與 Intel 合作的優化方案。透過 Optimum Intel 與神經網路壓縮框架（NNCF），開發者可以輕鬆對 Stable Diffusion 進行訓練後量化（PTQ）。這項技術能將模型壓縮至 INT8 精度，在顯著降低記憶體佔用的同時，大幅加速 Intel CPU 上的圖像生成速度，且幾乎不損失圖像品質。
Accelerating Stable Diffusion Inference on Intel CPUs
Hugging Face Blog1162d agoTutorial本文介紹在 Intel CPU 上加速 Stable Diffusion 推論的實用方法。透過 Hugging Face 的 Optimum Intel 整合套件，開發者可輕鬆利用 OpenVINO 和 Intel Extension for PyTorch (IPEX) 進行優化。在第四代 Intel Xeon 處理器上，結合 AMX 技術與 BF16/INT8 量化，能實現數倍的推論速度提升，為無 GPU 環境提供高效的替代方案。
Train your ControlNet with diffusers★ 75
Hugging Face Blog1166d agoTutorialHugging Face 釋出官方指南，詳細介紹如何利用 diffusers 庫訓練 ControlNet 模型。ControlNet 能在不破壞原始 Stable Diffusion 模型的前提下，加入額外的控制條件（如邊緣、姿勢或深度）。本教學涵蓋了數據集準備、使用官方訓練腳本進行微調，以及如何將訓練好的模型部署與推論。
ControlNet in 🧨 Diffusers★ 85
Hugging Face Blog1187d agoReleaseHugging Face 宣布將 ControlNet 整合至 🧨 diffusers 庫中。ControlNet 是一種能為 Stable Diffusion 等擴散模型加入額外控制條件（如 Canny 邊緣、OpenPose 姿勢、Depth 深度圖等）的架構。透過全新的 StableDiffusionControlNetPipeline，開發者只需幾行程式碼即可實現高精度的圖像生成與編輯，大幅提升了 AI 繪圖的可控性。
Swift 🧨Diffusers - Fast Stable Diffusion for Mac★ 70
Hugging Face Blog1194d agoReleaseHugging 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。
Introducing LoRA: A faster way to fine-tune Stable Diffusion★ 75
Replicate Blog1211d agoNew ToolReplicate 宣布支援 LoRA 技術，用於快速微調 Stable Diffusion 模型。相比於傳統的 DreamBooth，LoRA 不僅訓練速度大幅提升，產出的權重檔案也極小（僅數十 MB），讓創作者能以極低成本且更有效率地在雲端部署與切換不同的客製化風格。
2D Asset Generation: AI for Game Development #4★ 70
Hugging Face Blog1223d agoTutorial本教學為 Hugging Face 遊戲開發 AI 系列的第四篇，專注於 2D 資產生成。文章深入探討如何利用 Stable Diffusion、DreamBooth 與 Image-to-Image 等技術，克服遊戲開發中「風格一致性」與「精確控制」的挑戰。讀者將學習如何生成無縫貼圖、角色概念圖及 UI 元素，並將其無縫整合至遊戲引擎的工作流中。
Using LoRA for Efficient Stable Diffusion Fine-Tuning★ 85
Hugging Face Blog1223d agoTutorial本文為 Hugging Face 官方介紹 LoRA（低秩適應）技術在 Stable Diffusion 微調上的應用。LoRA 透過凍結原模型並僅訓練新增的低秩矩陣，將顯存需求降至消費級顯卡即可運行的水平，且產出的權重檔案僅有數 MB（相較於完整微調的數 GB），極大地降低了個性化圖像生成模型的訓練門檻與分享成本。
AI for Game Development: Creating a Farming Game in 5 Days. Part 2
Hugging Face Blog1240d agoTutorial本文是 Hugging Face 挑戰「5 天內用 AI 製作農場遊戲」的第二部分，重點在於 3D 資產的生成。作者探討了 2023 年初 3D AI 技術的現狀，實測利用 OpenAI 的 Point-E 進行文字生成 3D 點雲與網格，並嘗試用 Stable Diffusion 進行 3D 貼圖。雖然當時技術仍有網格混亂、缺乏 UV 貼圖等限制，但為獨立遊戲開發者展示了 AI 輔助 3D 工作流的雛形。
AI for Game Development: Creating a Farming Game in 5 Days. Part 1★ 70
Hugging Face Blog1247d agoTutorial本教學為 Hugging Face 遊戲開發系列的第一部分，記錄了如何利用 AI 技術在 5 天內開發出一款農場模擬遊戲。文章重點介紹了開發初期的規劃、如何利用 Stable Diffusion 生成像素風（Pixel Art）美術資產，以及如何藉由 AI 輔助編寫 Unity 遊戲腳本，展示了 AI 如何大幅降低獨立遊戲開發的門檻。
From GPT2 to Stable Diffusion: Hugging Face arrives to the Elixir community★ 70
Hugging Face Blog1271d agoReleaseElixir 官方與 Hugging Face 合作推出 Bumblebee 專案，將主流的深度學習模型引入 Elixir 生態系。 基於 Nx 與 Axon 框架，開發者無需依賴 Python，即可在 Elixir 中直接載入並運行 GPT-2、Stable Diffusion 等模型。 搭配 Livebook 的智慧儲存格（Smart Cells），開發者只需點擊幾下，就能在數秒內部署並測試各種 AI 應用。