Stability AI 生成模型权重下载完整指南：30分钟跑通 SDXL 与视频模型推理

Stability AI 生成模型权重下载完整指南：30分钟跑通 SDXL 与视频模型推理

【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models

第一次跑scripts/demo/sampling.py，进度条走到 41% 就卡死，控制台反复打印同一句：找不到checkpoints/sd_xl_base_1.0.safetensors。权重没下、下错目录、或者只下了一半，是 Stability AI 生成模型部署中最常见的三个坎。这篇文章给你一条最短路径：30 分钟内下完 1 到 2 个模型，跑通推理，并用哈希校验确认文件完整。

按用途选权重：先把下载清单砍到最少

模型不是越多越好。先定用途，再定文件，多余的 GB 一律不碰。

三条裁剪原则：

• 文生图只需要 SDXL base。refiner 不做独立出图，只在 base 出图后做精修，不需要就跳过。
• SV4D 需要 SV3D 配合生成参考视角，SV4D 2.0 不需要。跑新版就省掉一个 10GB 文件。
• 只想验证环境，先用最小组合：一个权重文件 + 一份配置。

环境自检与磁盘预算：一条命令过体检

下面这段 shell 会依次报告 git-lfs 版本、Python 版本、仓库克隆情况和剩余磁盘。缺哪项装哪项，不要凭感觉。

# 工具体检：git-lfs 处理大文件，Python 建议 3.10（官方实测版本） git lfs version; python --version # 克隆代码仓库 git clone https://gitcode.com/GitHub_Trending/ge/generative-models.git cd generative-models # 磁盘预算：SVD 单文件 20GB 起步，建议至少留 50GB df -h .

依赖安装与 PyTorch 版本强绑定，按官方顺序来：

# 先建虚拟环境装 torch，再装项目依赖（CUDA 版本按自己的显卡换） python3 -m venv .pt2 && source .pt2/bin/activate pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip3 install -r requirements/pt2.txt pip3 install .

装完sgm包后，推理脚本里的from sgm.util import ...才能解析。这一步漏了，后面的报错会误导你去怀疑权重文件。

主力模型完整流程：以 SDXL base 1.0 为例

选文生图作为主线，因为它文件最小、跑通最快，且能验证整套环境。以下命令在仓库根目录执行。

# 拉取指定文件名并放入 checkpoints/，-v 打开日志便于观察进度 mkdir -p checkpoints huggingface-cli download stabilityai/stable-diffusion-xl-base-1.0 \ sd_xl_base_1.0.safetensors --local-dir checkpoints -v

注意指定文件名，而不是--include "*.safetensors"。后者会把仓库里所有权重一并拉下来，白白多出几 GB。

下完先做哈希校验，官方给出的 sha256 如下：

# 校验值必须与官方一致：31e35c80fc4829d14f90153f4c74cd59c90b779f6afe05a74cd6120b893f7e5b sha256sum checkpoints/sd_xl_base_1.0.safetensors

哈希对不上就直接删掉重下。哈希对了，再花一秒做个加载冒烟测试：

# 只读文件头，确认权重可加载，不占显存 from safetensors import safe_open with safe_open("checkpoints/sd_xl_base_1.0.safetensors", framework="pt") as f: print(list(f.keys())[:3])

能打印出 key 列表，说明文件头完整。之后启动文生图 demo：

# 配置 configs/inference/sd_xl_base.yaml 会读取上面的权重，出图写入 outputs/ streamlit run scripts/demo/sampling.py

其余权重速配：一个模板覆盖全部

其他模型不逐个演示。它们共享同一套路：仓库 + 文件名 + checkpoints/三要素。

通用模板，替换仓库 ID 和文件名即可：

# 任意权重三要素：仓库、文件名、本地目录 huggingface-cli download <仓库ID> <文件名> --local-dir checkpoints

下完核对 scripts/sampling/configs/ 里对应 yaml 的ckpt_path字段是否与你的文件名一致。配置和权重是一一对应的，错配的表现不是报错，而是效果异常，这种问题比报错难查得多。

提速与完整性校验：镜像、断点续传、批量脚本

国内网络直连官方源，速度常只有几 MB/s。换镜像端点是最直接的手段：

# 让 huggingface-cli 与 huggingface_hub 走国内镜像 export HF_ENDPOINT=https://hf-mirror.com

第二个技巧针对 20GB 级别的视频权重。断点续传能避免一次网络波动从头再来：

# 中断后重跑同一条命令即可续传，不用重新排队 huggingface-cli download stabilityai/stable-video-diffusion-img2vid \ svd.safetensors --local-dir checkpoints --resume-download

如果一次要准备多个模型，用下面这个最小批量脚本。每个文件独立下载、独立重试，不会因为一个卡住而全部停摆：

# save as batch_download.py，在仓库根目录运行：python batch_download.py from huggingface_hub import snapshot_download JOBS = [ ("stabilityai/stable-diffusion-xl-base-1.0", "sd_xl_base_1.0.safetensors"), ("stabilityai/stable-video-diffusion-img2vid", "svd.safetensors"), ] for repo, fn in JOBS: try: print("拉取:", fn) snapshot_download(repo, allow_patterns=[fn], local_dir="checkpoints") except Exception as e: print(f"跳过 {repo}: {e}")

故障速查：四类高频问题的现象、原因与解法

按严重程度排序。先对号入座，再动手。

1. 磁盘空间不足，下载中断在 99%

现象：终端报No space left on device，文件停在差一点就完成的位置。原因：SVD 级文件 20GB 起步，加上 PyTorch 与依赖的十几 GB，预算没算够。解法：清出至少 50GB 空闲，或者放弃视频模型，先只跑 SDXL。

2. 权重能加载，生成质量明显不对

现象：推理不报错，但出图发糊、偏色。原因：下载的权重是截断文件，sha256 校验没做。解法：删除本地文件，重新下载，再用sha256sum比对官方值。

3. CUDA out of memory

现象：视频模型跑到解码阶段崩掉。原因：decoding_t默认一次解码 14 帧，12GB 显存压不住。解法：按下面顺序降配，每调一档重跑一次：

# 显存吃紧时依次尝试：降分辨率、减每批解码帧数、减总帧数 python scripts/sampling/simple_video_sample.py \ --version svd --input_path assets/test_image.png \ --decoding_t 4 --num_frames 8

4.OSError: checkpoints/xxx.safetensors not found

现象：任何采样脚本一启动就抛文件不存在。原因：权重没放在仓库根目录的checkpoints/下。解法：所有推理脚本都从相对路径checkpoints/读文件，建好目录、文件放对位置即可。

验收清单与下一步动作

跑完 demo 后，对照这张清单确认环境可用：

• checkpoints/下存在权重文件，且sha256sum结果与官方一致。
• 浏览器出图，控制台没有 missing checkpoint 告警。
• outputs/目录生成了新图片。
• 输出能被水印检测脚本识别：python scripts/demo/detect.py outputs/*.jpg。

四条全过，这套环境就交付完毕。现在可执行的下一步：用 configs/example_training/toy/mnist_cond.yaml 跑一次玩具训练，确认训练链路也通，再去碰更大的数据集配置。

# 128x128 小数据集，几分钟就能验证 main.py 训练入口 python main.py --base configs/example_training/toy/mnist_cond.yaml

【免费下载链接】generative-modelsGenerative Models by Stability AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-models