Stable Diffusion 3.5 本地部署完整指南：免费生成无限图片

Stable Diffusion 3.5 开源让"本地无限出图"成为现实——文字渲染、人物手部、多主体场景较 SDXL 都有明显改进。本文从零搭一套完整的本地 AI 图像工作站：硬件 → 安装 → 模型 → 第一张图 → 进阶（LoRA/ControlNet/批量），并交代 Mac 路线和常见报错。

一、硬件要求

配置最低推荐旗舰

GPU 显存8GB（跑 Medium/量化）12-16GB24GB+ 内存16GB32GB64GB 存储50GB SSD100GB200GB+（模型很占地） 显卡参考RTX 3060 12GRTX 4070/4080RTX 4090

SD 3.5 Large（8B）：16GB+ 显存舒适，量化版（GGUF/NF4）可压到 10GB 左右

SD 3.5 Medium（2.5B）：8-10GB 显存可跑，质量/速度比非常好，新手建议从它开始

Mac（Apple Silicon）：可跑（Metal/MPS），统一内存 32GB+ 体验尚可，速度约为同级 NVIDIA 的 1/3-1/5；更顺的 Mac 路线是 Draw Things 这类原生 App

二、安装方案比较

方案难度特点适合

ComfyUI中节点式工作流，功能最强、对新模型支持最快进阶/想长期玩 Stability Matrix易一键管理多个 UI 和模型的启动器怕折腾环境的人 SD.Next / Forge易-中A1111 系的现代分支，WebUI 形态习惯传统 WebUI Fooocus极易开箱即用但功能精简只想快速出图

推荐 ComfyUI：SD3.5/FLUX 这类新架构第一时间获得支持，工作流可以保存成 JSON 复用/分享——这是后面做批量和定制服务的基础。

三、ComfyUI 安装

Windows（便携包，最简单）

到 ComfyUI 的 GitHub Releases 下载 Portable 包（约 1.5GB），解压到纯英文路径

NVIDIA 用户运行 run_nvidia_gpu.bat，浏览器自动打开 127.0.0.1:8188

建议装 ComfyUI-Manager 插件（git clone 到 custom_nodes/）——之后缺什么节点/模型它都能一键补

Mac / Linux

bash
git clone https://github.com/comfyanonymous/ComfyUI
cd ComfyUI
pip install -r requirements.txt
python main.py            # Mac 会自动用 MPS；显存紧张加 --lowvram

四、下载模型（关键路径）

SD 3.5 权重在 Hugging Face 的 stabilityai 仓库（需同意社区许可；个人与中小商用免费，大企业需商业授权——以 Stability 官方条款为准）：

sd3.5_medium.safetensors → 放 ComfyUI/models/checkpoints/

三个文本编码器 clip_l、clip_g、t5xxl_fp8 → 放 ComfyUI/models/clip/（SD3 架构文本编码器是分开的，漏装 t5 是新手第一报错来源）

ComfyUI 官方示例工作流（拖一张官方示例图进窗口即自动载入节点图）是最快的起步方式。

五、第一张图：参数怎么调

步数：SD3.5 用 25-30 步足够

CFG：4-6（比 SDXL 的 7-8 低；过高会"烧糊"——原理见扩散模型技术详解的 classifier-free guidance 一节）

提示词：SD3.5 的 T5 编码器吃得下自然语言长句，直接写完整英文描述句，比堆 tag 效果好；负面提示词作用比 SD1.5 时代小，简单写 blurry, lowres 即可

分辨率：原生 1MP 档（1024×1024、1152×896 等），别直接拉 2K——先 1MP 再放大

六、进阶路线

LoRA：社区风格模型（Civitai 搜 SD3.5 标签）放 models/loras/，工作流里串一个 LoRA Loader 节点；自己训练角色/风格 LoRA 用 kohya_ss 或 OneTrainer，20-40 张素材图即可起步

ControlNet：姿势/线稿/深度控制构图——接定制单的核心能力

放大：SD 放大工作流（model upscale + 二次采样）比单纯插值清晰得多

批量生成：ComfyUI 自带 API（/prompt 端点发 JSON 工作流），配合脚本即可批量跑图——AI 绘画变现里 POD/图库路线的产能就靠这个

要 FLUX 还是 SD3.5？ 画质上限 FLUX dev 略胜、生态和商用授权各有差异——见 SD vs FLUX 对比

七、常见报错速查

症状原因/解法

出图全是噪点/黑图文本编码器没装齐（补 t5xxl）；或精度问题加 --force-fp16 CUDA out of memory换 Medium/量化版；启动加 --lowvram；关掉浏览器里其他占显存的东西 速度异常慢确认跑在 GPU 上（看启动日志）；Windows 检查是否装成了 CPU 版 PyTorch 节点标红缺失ComfyUI-Manager → Install Missing Custom Nodes

FAQ

Q：本地部署 vs Midjourney？ 本地 = 零边际成本、隐私、可控性（LoRA/ControlNet）、可批量；MJ = 开箱惊艳、零运维。接单建议两个都会：MJ 出概念，本地做可控交付。

Q：没有 NVIDIA 显卡怎么办？ Mac 走 MPS 或 Draw Things；A 卡 Linux 下 ROCm 可用但折腾；或者租云 GPU（AutoDL/RunPod，按小时计费）跑批量任务。

Q：和 LLM 本地部署是一回事吗？ 思路同源（开源权重+本地推理），工具链不同——LLM 侧见 Ollama vs LM Studio vs Jan。

---

*最后更新：2026 年 6 月。模型许可与工具版本变动快，以各官方仓库为准。*