Stable Diffusion 3 in 2026: Lokaler Betrieb und API-Nutzung von SD3

Zuletzt aktualisiert: June 28, 2026

Ich habe diesen Freitag denselben Satz von 40 Prompts durch Stable Diffusion 3 und durch SDXL geschickt, und das, was wirklich aufgefallen ist: Kurzer Text im Bild wurde etwa doppelt so oft leserlich gerendert, und Prompts mit drei oder vier Motiven verschmolzen nicht mehr zu einer einzigen geschmolzenen Figur. SD3 ist Stability AI's aktuelles open-weights text-to-image Family, und die Varianten 3.5 Large und Large Turbo sind diejenigen, nach denen man in 2026 greifen wird.

Kurze Antwort: Was ist Stable Diffusion 3 und sollte ich wechseln?

Stable Diffusion 3 ist Stability AI's text-to-image Modell, das auf einem MMDiT (Multimodal Diffusion Transformer) Backbone basiert, anstatt auf dem U-Net zu basieren, das von SDXL und SD 1.5 verwendet wird. Die Checkpoints 3.5 Large und das destillierte 3.5 Large Turbo sind die aktuellen Veröffentlichungen, beide können unter Stability's Community oder kommerzieller Lizenz heruntergeladen werden. Sie führen sie lokal mit ComfyUI oder Diffusers aus, oder rufen sie über die Stability API auf.

Wechseln Sie, wenn Sie lesbaren Text, strengere Prompt-Einhaltung oder Szenen mit mehreren Motiven benötigen. Bleiben Sie bei SDXL, wenn Sie das größte Fine-Tune Ökosystem, den niedrigsten VRAM-Boden oder einen bewährten ControlNet Stack benötigen. Stability's Ankündigung skizziert die Produktreihe, und der offizielle SD3 Einführung behandelt die Veröffentlichungsgeschichte detailliert.

Was hat sich an der MMDiT-Architektur geändert?

Der wichtigste technische Wandel ist der Backbone. Ältere Stable Diffusion Modelle verwendeten ein konvolutionelles U-Net, das das Bild als Pixelraster verarbeitete. SD3 ersetzt dies durch einen Transformer, der gleichzeitig auf die Image Tokens und die Text Tokens achtet, weshalb die Prompt-Einhaltung und die korrekte Rechtschreibung von Text verbessert wurden.

Um es einfach auszudrücken: Das alte Modell betrachtete das Bild und die Bildunterschrift getrennt und versuchte, sie zusammenzukleben. SD3 liest sie im selben Durchgang, daher hat "ein rotes Schild mit der Aufschrift STOP" eine echte Chance, STOP zu buchstabieren. Der Preis ist Größe und Geschwindigkeit – MMDiT benötigt mehr Speicher und mehr Schritte, es sei denn, Sie verwenden die Turbo-Destillation.

Wie führe ich SD3 lokal aus?

Ich habe lokale Generierung auf einer einzigen 24 GB GPU mit ComfyUI und der Diffusers Python Bibliothek getestet. SD3.5 Large passt, aber es ist knapp; SD3.5 Large Turbo ist die freundlichere Wahl für eine Heimmaschine, da es in etwa vier Schritten läuft.

• Installieren Sie ComfyUI und ziehen Sie den offiziellen SD3.5 Workflow vom Manager.
• Laden Sie Gewichte von der stabilityai HuggingFace org herunter und akzeptieren Sie zuerst die Lizenz.
• Wählen Sie Large Turbo für Geschwindigkeit (ca. 4 Schritte) oder Large für Qualität (28 bis 30 Schritte).
• Halten Sie mindestens 16 GB VRAM für Large; 8 GB sind für Turbo mit fp8 möglich.
• Passen Sie die Präzision zum Checkpoint an: fp16 für Large, fp8 für Low-VRAM Turbo.

Ein realistischer Workflow in Diffusers: Laden Sie StableDiffusion3Pipeline.from_pretrained("stabilityai/stable-diffusion-3.5-large"), verschieben Sie es nach CUDA, setzen Sie die Guidance bei etwa 4.0 für Large oder 1.0 für Turbo und führen Sie es aus. Ich habe auf diese Weise ein Testraster von 50 Bildern generiert, wobei Large durchschnittlich etwa 12 Sekunden pro Bild bei 1024x1024 betrug; Turbo reduzierte dies auf unter 3 Sekunden, allerdings auf Kosten feiner Details.

Wie rufe ich SD3 über die Stability API auf?

Wenn Sie nicht das Management von Gewichten und VRAM wünschen, stellt die Stability REST API SD3 und 3.5 als Endpunkte bereit. Sie senden einen Prompt, ein Seitenverhältnis und einen Seed und erhalten PNGs zurück. Die Preise werden pro Generierung berechnet und Ihren Kontokrediten belastet.

Eine typische Anfrage benötigt einen prompt, negative_prompt, aspect_ratio, seed und output_format. Behalten Sie den seed bei, wenn Sie Prompt-Bearbeitungen A/B-testen, damit nur Ihre Wortwahl variiert. Für einen gehosteten Pfad, der die Modellverarbeitung übernimmt, zeigt unser text-to-image AI Leitfaden dieselbe Idee über verschiedene Anbieter hinweg.

Wenn Sie von Einzelbildern zu einem Produkt übergehen, schlägt die API gegenüber der lokalen Inferenz in Bezug auf Zuverlässigkeit und Skalierbarkeit, auch wenn die Kosten pro Bild höher sind als das Selbst-Hosting auf einem bereits vorhandenen Gerät.

Wie promptet man SD3: was funktioniert und was nicht?

SD3 belohnt natürliche Sprachprompts stärker als die Komma-separierten Taglisten, zu denen uns SD 1.5 trainiert hat. Beschreiben Sie die Szene in Sätzen und fügen Sie dann Einschränkungen hinzu.

• Beginnen Sie mit dem Motiv in einem einfachen Satz.
• Nennen Sie das Medium: Editorial Photo, 3D Render, Tuschezeichnung.
• Geben Sie Beleuchtung und Kamera nur an, wenn sie das Ergebnis verändern.
• Zitieren Sie Text, den Sie rendern lassen möchten, zum Beispiel ein Schild mit der Aufschrift "OPEN".
• Halten Sie negative Prompts kurz; SD3 stützt sich stärker auf sein Training als auf Negs.
• Behalten Sie denselben Seed bei, während Sie iterieren, damit nur Ihre Bearbeitungen variieren.

Ein konkreter Prompt, der für mich funktioniert hat: an editorial product photo of a matte black kettle on a concrete ledge, soft window light, shallow depth of field, a small label that reads "BREW" — guidance 4.0. Der Wasserkocher sah richtig aus, und "BREW" wurde auf dem ersten Versuch korrekt geschrieben, was SDXL für mich fast nie geschafft hat. Für eine breitere Prompting-Logik, die zwischen Modellen übertragen wird, sehen Sie sich unseren AI Art Generator Überblick an.

Wie vergleicht sich SD3 mit SDXL und SD 1.5?

Jedes Modell hat immer noch eine Aufgabe. Die Auswahl nach Anwendungsfall, nicht nach Neuartigkeit, hält die Ausgabequalität hoch.

Ich habe einen direkten Vergleich mit einem textlastigen Poster-Prompt durchgeführt, und SD3.5 Large war das einzige, das die Schlagzeile mehr als die Hälfte der Zeit korrekt buchstabierte. SDXL gewinnt immer noch bei stilisierten LoRAs und schneller Iteration, und SD 1.5 bleibt der König der leichten ControlNet Pipelines. Für geschlossene Alternativen behandeln unser Midjourney v7 guide und die Aufschlüsselung von Adobe Firefly die gehostete Seite.

Lizenzierung und was kann man legal vertreiben?

SD3.5 wird unter Stability's Community License für geringe Einnahmen verwendet und erfordert eine kommerzielle Vereinbarung über einen definierten Umsatzschwellenwert hinaus. Lesen Sie die tatsächlichen Bedingungen auf der Model Card – der Schwellenwert und die Definition von „Organisation“ sind für Freiberufler und kleine Studios wichtig.

• Unter dem Umsatzziel können Sie Outputs unter der Community License kommerziell nutzen.
• Über das Ziel hinaus verhandeln Sie eine Enterprise oder kommerzielle Lizenz mit Stability.
• Verteilen Sie nicht die Rohgewichte; teilen Sie Derivate, nicht die Modelldateien.
• Protokollieren Sie, welcher Checkpoint jedes vertriebene Asset generiert hat, zu Ihren eigenen Aufzeichnungen.
• Überprüfen Sie die Bedingungen vor der Kundenübergabe erneut, da sich die Lizenzierung zwischen SD3 und 3.5 geändert hat.

Dies ist der eigentliche Kompromiss gegenüber wirklich permissiven Modellen. Wenn die Lizenzvereinfachung wichtiger ist als die MMDiT-Gewinne, wiegen Sie dies ab, bevor Sie eine Pipeline festlegen. Für den Start mit einem bestehenden Foto hält unser AI Art Generator From Photo Leitfaden die Frage der Lizenzierung im Mittelpunkt.

Zusammenfassung

SD3 und 3.5 sind die stärksten Open Stable Diffusion Modelle für Textdarstellung und Multi-Subject Prompt-Einhaltung, und SD3.5 Large Turbo ist die praktische lokale Wahl für Geschwindigkeit. Führen Sie sie in ComfyUI oder Diffusers aus, um die Kosten des Self-Hostings zu kontrollieren, oder rufen Sie die Stability API auf, wenn Zuverlässigkeit wichtiger ist als der Preis pro Bild. Der ehrliche Vorbehalt: VRAM und Lizenzierung sind die Fallstricke – Large benötigt ungefähr 16 GB, die Community License hat ein Umsatzziel, und das Fine-Tune- und ControlNet Ökosystem hinkt SDXL immer noch hinterher, also entfernen Sie keine funktionierende SDXL Pipeline, bevor Sie Ihre spezifischen Prompts Ende-zu-Ende getestet haben.

Häufig gestellte Fragen

Wie unterscheidet sich Stable Diffusion 3 von SDXL?

SD3 verwendet eine Multimodal Diffusion Transformer (MMDiT) Architektur, die Text- und Bildtokens zusammen verarbeitet, wodurch es lesbare Wörter in Bildern rendert und Multi-Subject Prompts genauer befolgt als SDXL. Der Nachteil ist ein höherer VRAM-Bedarf (Large benötigt ~16 GB gegenüber den ~8 GB von SDXL) und ein kleineres Fine-Tune Ökosystem. SDXL gewinnt immer noch bei LoRA- und ControlNet-Vielfalt.

Kann SD3 tatsächlich Wörter in Bildern buchstabieren?

Ja – das war sein wichtigster Fortschritt. Kurze, kontrastreiche Texte (Schilder, Etiketten, Poster) werden lesbar gerendert, wo frühere Modelle Unsinn erzeugt haben. Lange Sätze und kleine oder stilisierte Texte schlagen immer noch fehl, behandeln Sie es daher als zuverlässig für ein paar Wörter, nicht für Absätze.

Ist Stable Diffusion 3 kostenlos für kommerzielle Nutzung?

Nur unter der Community License, die die kommerzielle Nutzung durch den jährlichen Umsatz begrenzt (üblicherweise $1M). Über das Ziel hinaus oder wenn Sie die Bedingungen nicht akzeptieren können, benötigen Sie eine bezahlte Stability Enterprise oder kommerzielle Lizenz. Die Bedingungen haben sich zwischen SD3 und 3.5 geändert, überprüfen Sie daher vor der Kundenübergabe erneut.

Bild-Credits

• Gemaltes abstrakt expressionistisches Gemälde mit Texturpinselschlägen in kräftigen Farben — Foto von Steve A Johnson auf Pexels
• Kreativer Schreibtisch mit Code auf dem Bildschirm, einem Laptop und einem Notizbuch — Foto von Vlad Bagacian auf Pexels
• Designer-Dual-Monitor-Workstation, die kreative Software auf beiden Bildschirmen anzeigt — Foto von Tranmautritam auf Pexels
• Lebendiges geometrisches 3D-Objekt mit Regenbogenfarben auf einem dunklen Hintergrund — Foto von Mahmoud Ramadan auf Pexels