「stable-diffusion-3.5-medium-amdnpu-medusa」画像生成モデル:配布ファイル一覧

「stable-diffusion-3.5-medium-amdnpu-medusa」画像生成モデル:配布ファイル一覧

基本情報

項目 内容
リポジトリ stabilityai/stable-diffusion-3.5-medium-amdnpu-medusa
公開元のまとめ Stability AI のモデルとライセンスのまとめ
公開日 2026-10-27
ライセンス stabilityai-ai-community
配布形式 ONNX
出典の種類 公開元の一次情報(公式HFページが一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

AMD NPUでの動作に最適化された「Stable Diffusion 3.5 Medium」が公開されました。このモデルは、テキストプロンプトを入力することで画像を生成する、Multimodal Diffusion Transformer (MMDiT) アーキテクチャを採用したテキストから画像への生成モデルです。

スペック

本モデルは、AMD NPUアクセラレータでの動作に特化して最適化されています。主な仕様および構成は以下の通りです。

  • アーキテクチャ: Multimodal Diffusion Transformer (MMDiT)
  • モデルタイプ: 拡散ベースのテキストから画像への生成モデル
  • 最適化対象: AMD NPU
  • 配布形式: ONNX
  • ライセンス: Stability AI Community
  • バリエーション: 本リポジトリには、amd/stable-diffusion-3.5-medium-amdnpu から派生した「M1.0-optimized NPU model」が含まれています。

リポジトリの構造は、共有コンポーネントを格納する common フォルダと、テキストから画像への変換を行う normal フォルダに整理されています。

  • Transformer: normal/transformer フォルダに格納されており、デノイジングステップにおいてAMD NPUアクセラレータを活用するようにエクスポートおよび構造化されています。
  • VAE decoder: common/vae_decoder フォルダに格納されており、効率的な画像再構成のためにNPUアクセラレータを使用するように構造化されています。
  • Text encoders: common/text_encoder、text_encoder_2、text_encoder_3、および text_encoder_3_int4 が含まれます。これらはCLIPおよびT5テキストエンコーダー(INT4版のT5を含む)であり、入力プロンプトを条件付け埋め込みに変換するために使用されます。
  • Tokenizers: common/tokenizer、tokenizer_2、tokenizer_3 が含まれており、各テキストエンコーダーに合わせてプロンプトを前処理するための設定と語彙ファイルが格納されています。
  • Scheduler: common/scheduler フォルダに、拡散サンプリングプロセスで使用されるスケジューラの設定が含まれています。
  • VAE encoder: common/vae_encoder フォルダに、画像から潜在表現への変換を行うためのモデルが含まれています。

なお、TransformerとVAE decoderはNPUでの動作に最適化されていますが、その他のコンポーネント(text encoders、tokenizers、scheduler)はGPUとNPUのパイプラインで共有される設計となっています。

性能・品質

本モデルのベースとなっている stable-diffusion-3.5-medium は、従来の SD3 Medium から改善されたバージョンとして位置づけられています。

モデルカードの記載によると、本モデルはプロンプトへの忠実度、生成品質、および出力の多様性が向上していると報告されています。また、タイポグラフィ(文字表現)の向上や、プロンプトに対する理解力の改善も実現されているとされています。

得意なこと・想定用途

本モデルは、テキストプロンプトに基づいて画像を生成したり、既存の画像を修正したりする用途に向いています。ベースモデルである Stable Diffusion 3.5 Medium の特性を継承しており、プロンプトに対する忠実度の高い生成や、高品質かつ多様な出力が可能です。特に、タイポグラフィ(文字表現)の精度向上や、プロンプトの理解力の改善が図られているため、複雑な指示を含む画像生成に適しています。

最大の特徴は、AMD NPUアクセラレータ向けに最適化されている点です。これにより、対応するハードウェアを搭載したPCなどの環境において、効率的にテキストから画像への生成処理を行うことが想定されています。

配布ファイル

stabilityai/stable-diffusion-3.5-medium-amdnpu-medusa で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
common/text_encoder/model.onnx 248MB
common/text_encoder_2/model.onnx 1.39GB
common/text_encoder_3/model.onnx 1MB
common/text_encoder_3_int4/model.onnx 1MB
common/tokenizer/model.onnx 1MB
common/tokenizer_2/model.onnx 1MB
common/tokenizer_3/model.onnx 1MB
common/vae_decoder/dynamic/dd/replaced.onnx 0MB
common/vae_encoder/model.onnx 69MB
common/vae_encoder/optimized.onnx 69MB
common/vae_encoder/optimized_1024x1024.onnx 69MB
common/vae_encoder/optimized_512x512.onnx 69MB
normal/transformer/dynamic/dd/replaced.onnx 2MB

入手方法

本モデルは ONNX 形式で配布されています。以下の Hugging Face リポジトリから入手可能です。

  • リポジトリ: stabilityai/stable-diffusion-3.5-medium-amdnpu-medusa

また、本モデルを利用して動作を確認するための環境として、AMDが提供する sd-sandbox リポジトリが案内されています。
– github.com/amd/sd-sandbox

本モデルはゲート付き(gated)の設定になっていないため、ダウンロードにあたってのライセンス同意手続きは不要です。

手元で動かせるか

公開元の配布形式は ONNX です。

ライセンス stabilityai-ai-community: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(stabilityai-ai-community)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

同じ用途の既報モデル

当サイトが取り上げた画像生成・編集のモデルを新しい順に並べています。用途は配布元がHugging Faceに付けたタスク(pipeline_tag)から機械的に分けたもので、最小のVRAM階層は当サイトの概算です。

画像生成・編集のモデルをすべて見る →

次に読むなら

出典