接触Stable Diffusion时，模型、Checkpoint、WebUI等名词常常让人混淆。本文通过梳理这些概念的层级关系，从思想架构到具体实现，旨在建立一个清晰的认知框架，帮助初学者快速入门。
智能速览
Stable Diffusion的概念可划分为思想、架构、实现和交互四个层级。
SD模型由U-Net（去噪）、VAE（编解码）和CLIP（文本编码）三部分核心构成。
Checkpoint是包含全部权重的模型文件，决定了生图的整体风格。
WebUI与ComfyUI是基于SD开发的操作界面，并非SD本身。
LoRA、ControlNet等插件需配合主模型Checkpoint使用，无法独立运行。
精华内容
要真正掌握Stable Diffusion，必须理解其内部构造。下面将从核心架构、文件格式和常用插件三个维度，深入解析SD体系的运行逻辑。
SD的三大核心组件
Stable Diffusion并非单一的模型，而是一个由多个组件协同工作的系统。其核心由三部分构成：U-Net、VAE和CLIP。U-Net是扩散模型的基础，负责关键的图像去噪过程，是生成图像质量的保障。VAE则用于图像的压缩与解析，将复杂图像转换为更易处理的潜在空间，提高运算效率。CLIP作为文本编码器，充当了人类语言与机器视觉之间的桥梁，准确理解输入的文字描述。
模型与界面区分
在实际使用中，模型文件和操作界面是两个常被混淆的概念。Checkpoint是SD模型的“存档点”，它是一个包含了U-Net、VAE和CLIP等全部权重的完整文件，我们通常说的SD 1.5或SDXL，实际上指的就是特定的Checkpoint文件。而WebUI和ComfyUI则是基于这些模型开发的用户界面，前者是可视化按钮式操作，后者是节点式逻辑流操作。它们是工具，不是模型本身。
功能插件应用
为了让基础模型实现更多功能，各种插件应运而生。LoRA（Low-Rank Adaptation）是一种轻量级微调模型，可以用少量数据训练出特定角色、风格或概念，实现风格的精准控制。ControlNet则通过额外输入骨骼、深度等边缘信息，精确控制生成图像的轮廓和姿态。IP-Adapter允许通过输入一张参考图片来影响生成图像的风格。这些插件都无法独立使用，必须加载在主模型之上才能发挥作用。
理清Stable Diffusion的名词体系是高效创作的第一步。有了这个框架，初学者可以更有目的地选择模型和插件，避免在信息海洋中迷失。接下来，或许可以深入探索扩散模型的具体原理，进一步打开AI绘画的大门。
