单步图像生成
官方说明 SDXL Turbo 借助 ADD 实现单步图像生成，把原先需要的 50 步压缩到 1 步，这是该方法对外公开的核心成果。
Adversarial Diffusion Distillation
AI TOOL PROFILE工具资料把扩散模型采样步数从 50 步压到 1 步的训练方法，支撑 SDXL Turbo 单步出图。
官网地址 https://stability.ai/research/adversarial-diffusion-distillation
价格官网未标价
平台Web
归类AI 绘画生图
收录2024-01-01
复核2024-01-01
编辑评分
4.2 / 5
★★★★☆
Adversarial Diffusion Distillation编辑总结
Adversarial Diffusion Distillation（ADD）是 Stability AI 提出的一种训练方法，由 Joshua Lopez 撰文介绍，目标是在保持高图像质量的前提下，用 1–4 步完成大规模基础图像扩散模型的采样。它通过 score distillation 把现成的大规模图像扩散模型当作教师信号，再叠加对抗损失来保证低步数下的图像保真度。据官方说明，SDXL Turbo 借助该技术实现了单步图像生成，把所需步数从 50 步降到 1 步。模型权重与代码在 Hugging Face 上以非商业研究许可发布，允许个人非商业使用，并可在 Stability AI 的图像编辑平台 Clipdrop 上以 beta 形式体验实时文生图。目前公开信息集中在研究与模型发布层面，缺少公开定价与完整产品化说明。
Adversarial Diffusion Distillation是什么？
它面向的是需要把扩散模型采样速度压下来的研究与工程场景，而不是一个独立的图像编辑应用。
从官方说明看，ADD 的做法是用 score distillation 把现成的大规模图像扩散模型作为教师信号，再结合对抗损失（adversarial loss），从而在仅 1–4 步采样、甚至 1 到 2 步的极低步数区间里维持高图像保真度。官方给出的成果是 SDXL Turbo 实现了单步图像生成，把所需步数从 50 步减少到 1 步，并称其达到当时的最优性能。
对普通用户来说，接触这套技术的入口是 Stability AI 图像编辑平台 Clipdrop 上的 beta 演示，可以体验实时文生图能力；对研究者与开发者来说，模型权重和代码发布在 Hugging Face 上，目前采用非商业研究许可，只允许个人、非商业用途。
Adversarial Diffusion Distillation核心功能
1–4 步高效采样
ADD 用 1–4 步即可采样大规模基础图像扩散模型，强调在如此低的步数下仍能维持高图像质量。
Score Distillation 教师信号
方法上利用 score distillation，把现成的大规模图像扩散模型当作教师信号，避免从零训练新的基础模型。
对抗损失保真
在教师信号之外叠加对抗损失，用于确保在一到两步这种低步数区间下依然保持高图像保真度。
权重与代码开源
模型权重和代码可在 Hugging Face 下载，当前以非商业研究许可发布，允许个人、非商业用途使用。
Clipdrop 实时试用
官方在 Stability AI 的图像编辑平台 Clipdrop 上提供 beta 演示，可体验基于该技术的实时文生图能力。
论文与文档入口
研究页面提供论文阅读入口，便于查看 ADD 的训练方法与实验细节，适合研究者进一步复现与对比。
面向图像扩散模型
该方法的适用对象是大规模基础图像扩散模型，重点解决这类模型采样步数多、出图慢的问题。
Adversarial Diffusion Distillation适合谁用？
图像扩散模型研究者
推荐关注采样步数与图像保真度权衡，需要阅读论文与复用训练方法的研究人员。
做实时出图的开发者
推荐需要在低步数区间内出图、又要保证质量的工程团队，可基于公开权重与代码做验证。
个人非商业试验者
有条件当前许可是非商业研究许可，允许个人、非商业用途，个人试验与学习可以覆盖。
商业产品团队
不推荐为非商业研究许可，商业用途不在许可范围内，商用需另行确认授权。
只想开箱出图的普通用户
有条件它是一个训练方法而非独立成品应用，普通用户只能通过 Clipdrop 的 beta 演示间接体验。
Adversarial Diffusion Distillation优点和缺点
优点
- 官方给出把所需步数从 50 步降到 1 步的明确结果
- 支持 1–4 步采样，低步数下仍保持高图像质量
- 模型权重与代码可在 Hugging Face 下载
- 在 Clipdrop 上提供可试用的 beta 演示
- 复用现成大模型作教师信号，无需从零训练基础模型
缺点
- 当前为非商业研究许可，仅允许个人非商业使用
- 无独立产品页，仅作为研究技术公开
- 普通用户无法直接使用，只能借 Clipdrop 试用
Adversarial Diffusion Distillation常见问题
这个工具要花钱吗？＋
研究页面没有给出任何价格信息，只说明了模型权重与代码的发布方式。它当前以非商业研究许可发布，允许个人、非商业用途使用，商业用途不在该许可范围内。因此它本身不是按订阅或按次计费的成品，价格需要以官方后续页面为准。
它当前的主力能力是什么？＋
核心是 Adversarial Diffusion Distillation 这套训练方法：用 score distillation 把现成的大规模图像扩散模型当作教师信号，再叠加对抗损失保证保真度，从而在 1–4 步内完成采样。落地成果是 SDXL Turbo，其实现单步图像生成，把所需步数从 50 步降到 1 步。
国内能用吗？有什么限制？＋
网络访问或合规限制的说明。可以确认的限制是许可层面：模型权重与代码以非商业研究许可发布，只允许个人、非商业使用，商业场景需要自行向官方确认授权。
它和同类产品怎么选？＋
未提及任何其他同类产品的名称或对比数据，因此无法做竞品层面的选择建议。如果你的目标是研究低步数扩散采样、或者做非商业试验，可以基于其 Hugging Face 权重与代码验证；如果目标是商业落地，需要先解决许可问题。
在哪里可以试用实时出图？＋
说明可以在 Stability AI 的图像编辑平台 Clipdrop 上测试 SDXL Turbo，那里提供实时文生图能力的 beta 演示。普通用户不需要自行部署模型，通过 Clipdrop 的 beta 入口即可体验，但这是演示性质，官方未给出该入口的额度或收费说明。
Adversarial Diffusion Distillation竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| Adversarial Diffusion Distillation本工具 | 4.2 | 未标价 | 单步图像生成；1–4 步高效采样；Score Distillation 教师信号；对抗损失保真 | Web |
| GPT Image 2 | — | 未标价 | AI 图像编辑平台，用于生成、编辑和增强图像 | — |
| FLUX Kontext | — | 未标价 | 上下文感知智能图像编辑平台 | — |
| AINanoBanana | — | 未标价 | 基于 AI 的图像生成和编辑平台 | — |
| NanoBananaX | — | 未标价 | 人工智能驱动的图像生成和编辑平台 | — |
| Nano Banana 2 | — | 未标价 | 是一个基于 AI 的图像生成和编辑平台 | — |
