SD. Next — 需要更多功能用户的 Automatic1111 替代方案

还记得仅仅几年前，本地图像生成几乎等同于 Automatic1111 的 Stable Diffusion WebUI 吗？你会打开控制台，等待 PyTorch 启动，调整 GPU 设置，然后祈祷显存不会在生成过程中耗尽。然而，随着时间推移，这个原始仓库变得越来越难以维护，而新的模型架构开始需要越来越多的资源。

Vlad Mandic 在 2022 年底 fork 了 Automatic1111 的代码库，创建了 SD. Next。这个项目最初旨在清理源代码并从硬件中提取最大性能，后来演变成一个独立的图像和视频生成平台。

与原始 WebUI 有什么区别？

简而言之，SD. Next 在保持熟悉的 Web 界面的同时，进行了深层的底层改造。原始 WebUI 与 Nvidia GPU 和 CUDA 库紧密绑定。如果你使用 AMD、Intel Arc 或配备 Apple M 系列芯片的笔记本电脑，运行经典 WebUI 就变成了一场涉及库编译和寻找正确启动参数的探索。

SD. Next 从一开始就围绕跨平台支持而构建。在首次安装时，脚本会自动检测你的硬件并组装合适的配置。

底层有什么有趣的特性

在普通硬件上运行大型模型

现代扩散网络的主要问题在于它们对显存的需求。8GB 显存的显卡在尝试以高分辨率运行新模型时很快就会力不从心。

SD. Next 添加了两

1. 通过 SDNQ 引擎进行量化。模型在运行时压缩或使用现成的量化权重。这可以将内存消耗减少最多 4 倍，同时对细节的影响最小。
2. 均衡卸载。一种在视频内存和系统 RAM 之间分配模型层的系统机制。如果 GPU 显存不足，部分计算会转移到 CPU 以避免内存溢出错误。

支持任意硬件

开发者维护着广泛的硬件加速器支持列表：

• Nvidia via CUDA
• AMD on Linux and Windows via ROCm or ZLUDA
• Intel Arc using OneAPI and IPEX
• Any GPUs and CPUs via OpenVINO
• DirectML for graphics cards with DirectX support on Windows
• Apple M1/M2/M3 chips with Torch MPS backend

如果需要隔离环境，项目为 CUDA、ROCm、OpenVINO 和 Intel IPEX 提供了官方 Docker 镜像。

自动标注和语言模型

通常情况下，准备图像描述需要安装第三方扩展或独立工具。SD. Next 内置了自动标注图像的模块，支持超过 25 种模型，包括 VLM/LLM 网络、OpenCLIP 以及 WaifuDiffusion 和 DeepDanbooru 等标注器。这加速了训练自定义 LoRA 适配器的数据集准备工作。

如何开始

安装过程简化为终端中的三个命令：

首次启动时，脚本会下载依赖项、检测 GPU 并选择优化标志。界面针对移动屏幕进行了适配，因此可以通过本地网络从手机控制生成过程。

谁应该尝试一下

SD. Next 在以下几种情况下特别有用：

• 你使用 AMD、Intel Arc 或 Mac GPU，受够了标准 WebUI 的各种折腾。
• 你的 GPU 显存有限，但想尝试重型模型而不会内存崩溃。
• 你正在构建数据集，需要内置的标注和标记工具。

如果你习惯使用基于节点工作流的 ComfyUI，切换到表格风格界面可能意义不大。但作为快速图像和视频工作的完整解决方案，SD. Next 涵盖了大多数日常任务。