docs: restructure README/REPORT and clean metadata

b8c0cd7 about 1 month ago

14.2 kB

---
license: other
license_name: stabilityai-ai-community
license_link: https://huggingface.co/stabilityai/stable-diffusion-3.5-medium/blob/main/LICENSE.md
library_name: optimum-intel
pipeline_tag: text-to-image
base_model: stabilityai/stable-diffusion-3.5-medium
tags:
- openvino
- optimum-intel
- int4
- nncf
- text-to-image
---
# Stable Diffusion 3.5 Medium — OpenVINO INT4

將 [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) 轉換為 **OpenVINO INT4** 權重，並以 **純 CPU** 實測出圖。

`optimum-intel` 匯出 → NNCF weight-only INT4 量化（耗時 69 s）→ **FP16 15.17 GB → INT4 5.08 GB（↓ ~67%）**。

> **⚠️ 基座模型為 gated**：需先在 [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) 頁面接受授權，才能執行轉換腳本下載權重。

---

## 目錄

- [快速資訊](#快速資訊)
- [特色](#特色)
- [安裝](#安裝)
- [快速開始](#快速開始)
- [推論參數建議](#推論參數建議)
- [範例結果](#範例結果)
- [風格展示](#風格展示)
- [效能實測摘要](#效能實測摘要)
- [檔案結構](#檔案結構)
- [從零復現](#從零復現)
- [已知限制](#已知限制)
- [授權與出處](#授權與出處)

---

## 快速資訊

| 項目 | 內容 |
| --- | --- |
| **基座模型** | [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) |
| **Pipeline** | `StableDiffusion3Pipeline` |
| **Scheduler** | `FlowMatchEulerDiscreteScheduler`（`shift=3.0`） |
| **量化格式** | `transformer`、`text_encoder_3` → INT4；其餘 → INT8 |
| **模型大小** | FP16 15.17 GB → **INT4 5.08 GB**（↓ ~67%） |
| **推論裝置** | CPU（OpenVINO CPU plugin，無需 GPU） |
| **推薦參數** | `num_inference_steps=40`、`guidance_scale=4.5`、`1024×1024` |
| **轉換工具** | optimum-intel 2.2.x / optimum 2.3.0 / OpenVINO 2026.4.0 / NNCF 3.4.0 |

## 特色

- **三個 text encoder**：兩個 CLIP（L / G）維持 INT8，T5-XXL 量化為 INT4。
- **`group_size_fallback="adjust"` 的關鍵理由**：SD3 的 MMDiT projection 維度並非都能被 128 整除，NNCF 預設的 `"ignore"` 會**靜默跳過**這些層、讓它們留在 FP16；改用 `"adjust"` 才不會漏量化。
- **體積 ↓ 67%**：FP16 15.17 GB → INT4 5.08 GB。
- **記憶體需求低**：推論 peak RSS 僅 3.28 GB，是這批 repo 中最低的。
- **純 CPU 可用**：不依賴 GPU / CUDA。
- **⚠️ 速度是短板**：1024×1024 / 40 steps 平均 226 s / 張。

## 安裝

```bash
pip install diffusers==0.37.1 transformers==4.57.6 tokenizers==0.22.0 huggingface-hub==0.35.1 optimum==2.3.0 optimum-intel==2.2.0 openvino==2026.4.0 nncf==3.4.0 torch pillow psutil sentencepiece accelerate
```

`nncf` 僅重新量化時需要。

## 快速開始

```python
import torch
from optimum.intel import OVDiffusionPipeline
pipe = OVDiffusionPipeline.from_pretrained("HelloSun/SD3.5-medium-OpenVINO-INT4", compile=True)
image = pipe(
    prompt="Astronaut in a jungle, cold color palette, muted colors, "
             "detailed, 8k, photorealistic, cinematic lighting",
    height=1024, width=1024,
    num_inference_steps=40,
    guidance_scale=4.5,
    generator=torch.Generator().manual_seed(43),
).images[0]
image.save("out.png")
```

完整可執行範例：[`inference_int4.py`](inference_int4.py)　批次生成 + benchmark：[`generate5.py`](generate5.py)

## 推論參數建議

| 參數 | 建議值 | 說明 |
| --- | --- | --- |
| `num_inference_steps` | `40` | 蒸餾 / 推薦步數。**請勿隨意增加**。 |
| `guidance_scale` | `4.5` | CFG 設定；Turbo / 蒸餾模型通常為 `0.0` 或 `1.0`（即不啟用）。 |
| `shift` | 取自 `scheduler/scheduler_config.json` | **不需手動傳入**，載入時自動套用。 |
| `height` / `width` | `1024` | 實測解析度。 |
| `compile=True` | 開啟 | 編譯模型以取得較佳效能。 |

## 範例結果

> 全部為 **40 steps / guidance_scale 4.5 / 1024×1024 / CPU**，seed 42–46 固定，可完全重現。
> 另附 512px 對照圖（`outputs/*_512.png`）。
> **⚠️ 512px 為縮圖**：這批 512px 圖是 1024px 輸出的 LANCZOS 縮圖，**不是**重新以 512px 推理的結果，因此沒有對應的獨立耗時資料。
### 01_hanfu — seed 42 — 228.4 s
```text
Young Chinese woman in red Hanfu, intricate embroidery, impeccable makeup, red floral forehead pattern, elaborate high bun, golden phoenix headdress, soft-lit outdoor night background, silhouetted tiered pagoda, blurred colorful distant lights, photorealistic, ultra detailed, 8k
```
![01_hanfu](outputs/01_hanfu_1024.png)
### 02_astronaut — seed 43 — 228.6 s
```text
Astronaut in a jungle, cold color palette, muted colors, detailed, 8k, photorealistic, cinematic lighting
```
![02_astronaut](outputs/02_astronaut_1024.png)
### 03_taipei — seed 44 — 224.7 s
```text
Cyberpunk street in Taipei at night, heavy rain, neon signs with text 'TAIPEI' and Chinese characters '台北', reflections on wet asphalt, crowded night market, cinematic, ultra detailed
```
![03_taipei](outputs/03_taipei_1024.png)
### 04_shiba — seed 45 — 222.2 s
```text
Cute Shiba Inu wearing a tiny astronaut helmet, sitting in a field of sunflowers under a starry sky, dreamy illustration, vibrant colors, high quality
```
![04_shiba](outputs/04_shiba_1024.png)
### 05_ink — seed 46 — 226.3 s
```text
Traditional Chinese ink wash landscape, misty mountains, a small pagoda on a cliff, cranes flying, minimalist, elegant, high aesthetic quality
```
![05_ink](outputs/05_ink_1024.png)
## 風格展示
以下 10 張為 10 類風格 × 同一組 5 組基礎 prompt（seed 42–51），
使用與上方基準測試**完全相同**的推論設定。
> **注意**：這批圖片**沒有**對應的 `outputs/benchmark.json` 紀錄，也沒有腳本可重現，
> 完整 prompt 亦未收錄於 repo（早期說明檔中的版本已被截斷，無法還原）。
### traditional_painting · 傳統繪畫
_油畫、版畫、水彩等傳統媒材_
![01_traditional_painting](examples/01_traditional_painting_seed42_40step_1024.png)
### anime_manga · 動漫繪師
_吉卜力 × 新海誠動畫風_
![02_anime_manga](examples/02_anime_manga_seed43_40step_1024.png)
### digital_3d · 數位 3D
_UE5 寫實渲染、CG 質感_
![03_digital_3d](examples/03_digital_3d_seed44_40step_1024.png)
### photography_cinema · 攝影電影
_電影感人像攝影_
![04_photography_cinema](examples/04_photography_cinema_seed45_40step_1024.png)
### cultural_regional · 文化地域
_敦煌壁畫、水墨等東方美學_
![05_cultural_regional](examples/05_cultural_regional_seed46_40step_1024.png)
### material_craft · 材質工藝
_絲線刺繡、陶瓷、木雕等_
![06_material_craft](examples/06_material_craft_seed47_40step_1024.png)
### design_commercial · 平面商業
_商業插畫、扁平幾何設計_
![07_design_commercial](examples/07_design_commercial_seed48_40step_1024.png)
### abstract_generative · 抽象生成
_分形、生成藝術_
![08_abstract_generative](examples/08_abstract_generative_seed49_40step_1024.png)
### era_subculture · 復古次文化
_80s 霓虹、賽博龐克_
![09_era_subculture](examples/09_era_subculture_seed50_40step_1024.png)
### render_technique · 厚塗渲染
_油畫厚塗、概念設定_
![10_render_technique](examples/10_render_technique_seed51_40step_1024.png)
## 效能實測摘要
完整逐 step 數據見 [`REPORT.md`](REPORT.md) 與 [`outputs/benchmark.json`](outputs/benchmark.json)。
**測試環境**

| 項目 | 內容 |
| --- | --- |
| CPU | Intel(R) Xeon(R) Platinum 8559C |
| 拓撲 | 2 sockets × 48 cores × 2 threads/core = **192 vCPU**（96 實體核心） |
| RAM | 2.0 TiB |
| 虛擬化 | KVM（完整虛擬化） |
| OpenVINO | CPU only，2026.4.0（build `2026.4.0-22959-99c81491cc3-releases/2026/4`） |
| 設定 | `num_inference_steps=40`、`guidance_scale=4.5`、1024×1024 |

**總結**

| 指標 | 數值 |
| --- | --- |
| 解析度 | 1024×1024 |
| 平均總耗時 | **226.03 s / 張** |
| 平均單步耗時 | 5.65 s |
| 最快 / 最慢 | 222.18 s / 228.58 s |
| 總計（5 張） | 1130.14 s |
| 記憶體高水位 | 3,276 MB |

- **512px 沒有獨立耗時資料**：`outputs/*_512.png` 是 1024px 輸出的縮圖，非重新推理。
- 文字編碼與 VAE decode 的時間**已包含**在總耗時內。

**逐張結果（1024×1024）**

| # | Prompt | Seed | 總耗時 (s) | 平均單步 (s) | guidance_scale |
| --- | --- | --- | --- | --- | --- |
| 01_hanfu | 42 | 228.41 | 5.710 | None |
| 02_astronaut | 43 | 228.58 | 5.710 | None |
| 03_taipei | 44 | 224.70 | 5.620 | None |
| 04_shiba | 45 | 222.18 | 5.550 | None |
| 05_ink | 46 | 226.27 | 5.660 | None |
|  | **平均** | **226.03** | **5.650** |  |

**模型大小**

以下為 repo 內 `openvino_model.bin` 的**實際位元組數**（Git LFS 記錄值）。

| 元件 | 位元組 | 大小 | 精度 |
| --- | ---: | ---: | --- |
| `text_encoder_3` | 2,557,956,630 | 2.56 GB | INT4 |
| `transformer` | 1,620,333,792 | 1.62 GB | INT4 |
| `text_encoder_2` | 696,453,879 | 0.70 GB | — |
| `text_encoder` | 124,172,025 | 0.12 GB | — |
| `vae_decoder` | 49,627,579 | 0.05 GB | — |
| `vae_encoder` | 34,337,212 | 0.03 GB | — |
| **合計** | **5,082,881,117** | **5.08 GB** | |

FP16 匯出模型約 **15.17 GB**（transformer 4.60 GB + text_encoder_3 8.87 GB + text_encoder 0.23 GB + text_encoder_2 1.30 GB + vae 0.15 GB）——取自原始轉換紀錄。
INT8 部分（兩個 CLIP text encoder 與 VAE）為 **1.72 GB**，佔 INT4 總量的 34%。
**⚠️ `outputs/benchmark_quantization.json` 記錄的 `int4_size_gb` 為 `4.76`，與 repo 內實際位元組總和 5.08 GB 不符**；引用時請以本表為準。
## 檔案結構
```text
.
├── README.md                  # 本文件
├── REPORT.md                  # 完整轉換 + 實測報告
├── requirements.txt           # Python 相依套件版本
├── model_index.json           # diffusers pipeline 索引（StableDiffusion3Pipeline）
├── openvino_config.json       # OpenVINO 量化設定
├── inference_int4.py          # 單張推論範例
├── generate5.py               # 5 組 prompt 批次生成 + benchmark
├── quantize_int4.py           # FP16 匯出 + INT4 量化（可分兩階段執行）
├── transformer/               # INT4 SD3Transformer2DModel（MMDiT 24 層）
├── text_encoder/              # INT8 CLIP-L
├── text_encoder_2/            # INT8 CLIP-G
├── text_encoder_3/            # INT4 T5-XXL
├── tokenizer/                 # CLIP tokenizer + OpenVINO tokenizer IR
├── tokenizer_2/               # CLIP tokenizer 2 + OpenVINO tokenizer IR
├── tokenizer_3/               # T5 tokenizer (sentencepiece)
├── vae_encoder/               # INT8 VAE encoder
├── vae_decoder/               # INT8 VAE decoder
├── scheduler/                 # FlowMatchEulerDiscreteScheduler (shift=3.0)
├── examples/                  # 15 張展示圖（含 10 張風格圖）
└── outputs/                   # 10 張實測圖 + 3 個資料檔
    ├── *_1024.png             # 主測組（5 張）
    ├── *_512.png              # 對照組（5 張，為 1024 縮圖）
    ├── benchmark.json         # 逐張耗時 + 硬體/軟體資訊
    ├── benchmark_quantization.json  # 量化設定與耗時
    └── prompts.txt            # 5 組 prompt 與 seed
```
## 從零復現

```bash
# 1. 匯出 FP16 OpenVINO 模型
optimum-cli export openvino \
  -m stabilityai/stable-diffusion-3.5-medium \
  --task text-to-image \
  --library diffusers \
  --weight-format fp16 \
  ./SD3.5-medium-ov-fp16
# 2. NNCF weight-only INT4 量化
python quantize_int4.py --fp16-dir ./SD3.5-medium-ov-fp16 \
                          --int4-dir  ./SD3.5-medium-ov-int4
# 3. 單張推論
python inference_int4.py
# 4. 批次生成 5 組 + benchmark
python generate5.py --outdir outputs
```

量化設定：

```python
from optimum.intel.openvino.configuration import (
    OVConfig, OVWeightQuantizationConfig, OVPipelineQuantizationConfig,
)
int4_config = OVWeightQuantizationConfig(
    bits=4, sym=False, group_size=128,
    group_size_fallback="adjust", ratio=1.0,
)
pipeline_config = OVPipelineQuantizationConfig(
    quantization_configs={
        "transformer":  int4_config,
        "text_encoder_3": int4_config,
    },
    default_config=OVWeightQuantizationConfig(bits=8),
)
```

## 已知限制

- **40 steps，CPU 速度慢**：1024×1024 平均 **226 s / 張**（約 3.8 分鐘），是這批 repo 中最慢的。若要快速預覽可降到 28 steps 或改用 512px。
- **512px 對照為縮圖**：`outputs/*_512.png` 是 1024px 輸出的 LANCZOS 縮圖，並非以 512px 重新推理。
- **基座模型為 gated**：轉換前必須先接受 Stability AI 的授權條款。
- **授權不是 Apache-2.0**：Stability AI Community License 有商用限制，轉載前務必確認條款。
- **`inference_int4.py` 的 `--stepsize` 參數是無效的**：該參數定義了但未傳入 pipeline，不會影響任何行為；`shift` 實際上取自 `scheduler/scheduler_config.json` 的 `3.0`。
- **`outputs/benchmark_quantization.json` 的 `int4_size_gb`（4.76）與實際位元組總和（5.08 GB）不符**。
- **`REPORT.md` 提及的 `.gitignore` 不存在於本 repo**。
## 授權與出處
- **來源模型**：[`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium)
- **授權**：**Stability AI Community License**（`license: other`），**不是** Apache-2.0。任何轉載或服務本 repo 都必須繼續遵守 Stability AI 的原始條款。

- **完整條款**：[LICENSE.md](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium/blob/main/LICENSE.md)

- **基座模型為 gated**：需先在 Hub 頁面接受授權。

---

<div align="center">

**Made with OpenVINO + optimum-intel + NNCF**

</div>

	---
	license: other
	license_name: stabilityai-ai-community
	license_link: https://huggingface.co/stabilityai/stable-diffusion-3.5-medium/blob/main/LICENSE.md
	library_name: optimum-intel
	pipeline_tag: text-to-image
	base_model: stabilityai/stable-diffusion-3.5-medium
	tags:
	- openvino
	- optimum-intel
	- int4
	- nncf
	- text-to-image
	---

	# Stable Diffusion 3.5 Medium — OpenVINO INT4

	將 [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) 轉換為 OpenVINO INT4 權重，並以純 CPU 實測出圖。

	`optimum-intel` 匯出 → NNCF weight-only INT4 量化（耗時 69 s）→ FP16 15.17 GB → INT4 5.08 GB（↓ ~67%）。

	> ⚠️ 基座模型為 gated：需先在 [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) 頁面接受授權，才能執行轉換腳本下載權重。

	---

	## 目錄

	- [快速資訊](#快速資訊)
	- [特色](#特色)
	- [安裝](#安裝)
	- [快速開始](#快速開始)
	- [推論參數建議](#推論參數建議)
	- [範例結果](#範例結果)
	- [風格展示](#風格展示)
	- [效能實測摘要](#效能實測摘要)
	- [檔案結構](#檔案結構)
	- [從零復現](#從零復現)
	- [已知限制](#已知限制)
	- [授權與出處](#授權與出處)

	---

	## 快速資訊

	\| 項目 \| 內容 \|
	\| --- \| --- \|
	\| 基座模型 \| [`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium) \|
	\| Pipeline \| `StableDiffusion3Pipeline` \|
	\| Scheduler \| `FlowMatchEulerDiscreteScheduler`（`shift=3.0`） \|
	\| 量化格式 \| `transformer`、`text_encoder_3` → INT4；其餘 → INT8 \|
	\| 模型大小 \| FP16 15.17 GB → INT4 5.08 GB（↓ ~67%） \|
	\| 推論裝置 \| CPU（OpenVINO CPU plugin，無需 GPU） \|
	\| 推薦參數 \| `num_inference_steps=40`、`guidance_scale=4.5`、`1024×1024` \|
	\| 轉換工具 \| optimum-intel 2.2.x / optimum 2.3.0 / OpenVINO 2026.4.0 / NNCF 3.4.0 \|

	## 特色

	- 三個 text encoder：兩個 CLIP（L / G）維持 INT8，T5-XXL 量化為 INT4。
	- `group_size_fallback="adjust"` 的關鍵理由：SD3 的 MMDiT projection 維度並非都能被 128 整除，NNCF 預設的 `"ignore"` 會靜默跳過這些層、讓它們留在 FP16；改用 `"adjust"` 才不會漏量化。
	- 體積 ↓ 67%：FP16 15.17 GB → INT4 5.08 GB。
	- 記憶體需求低：推論 peak RSS 僅 3.28 GB，是這批 repo 中最低的。
	- 純 CPU 可用：不依賴 GPU / CUDA。
	- ⚠️ 速度是短板：1024×1024 / 40 steps 平均 226 s / 張。

	## 安裝

	```bash
	pip install diffusers==0.37.1 transformers==4.57.6 tokenizers==0.22.0 huggingface-hub==0.35.1 optimum==2.3.0 optimum-intel==2.2.0 openvino==2026.4.0 nncf==3.4.0 torch pillow psutil sentencepiece accelerate
	```

	`nncf` 僅重新量化時需要。

	## 快速開始

	```python
	import torch
	from optimum.intel import OVDiffusionPipeline

	pipe = OVDiffusionPipeline.from_pretrained("HelloSun/SD3.5-medium-OpenVINO-INT4", compile=True)

	image = pipe(
	prompt="Astronaut in a jungle, cold color palette, muted colors, "
	"detailed, 8k, photorealistic, cinematic lighting",
	height=1024, width=1024,
	num_inference_steps=40,
	guidance_scale=4.5,
	generator=torch.Generator().manual_seed(43),
	).images[0]

	image.save("out.png")
	```

	完整可執行範例：[`inference_int4.py`](inference_int4.py)　批次生成 + benchmark：[`generate5.py`](generate5.py)

	## 推論參數建議

	\| 參數 \| 建議值 \| 說明 \|
	\| --- \| --- \| --- \|
	\| `num_inference_steps` \| `40` \| 蒸餾 / 推薦步數。請勿隨意增加。 \|
	\| `guidance_scale` \| `4.5` \| CFG 設定；Turbo / 蒸餾模型通常為 `0.0` 或 `1.0`（即不啟用）。 \|
	\| `shift` \| 取自 `scheduler/scheduler_config.json` \| 不需手動傳入，載入時自動套用。 \|
	\| `height` / `width` \| `1024` \| 實測解析度。 \|
	\| `compile=True` \| 開啟 \| 編譯模型以取得較佳效能。 \|

	## 範例結果

	> 全部為 40 steps / guidance_scale 4.5 / 1024×1024 / CPU，seed 42–46 固定，可完全重現。

	> 另附 512px 對照圖（`outputs/*_512.png`）。

	> ⚠️ 512px 為縮圖：這批 512px 圖是 1024px 輸出的 LANCZOS 縮圖，不是重新以 512px 推理的結果，因此沒有對應的獨立耗時資料。

	### 01_hanfu — seed 42 — 228.4 s

	```text
	Young Chinese woman in red Hanfu, intricate embroidery, impeccable makeup, red floral forehead pattern, elaborate high bun, golden phoenix headdress, soft-lit outdoor night background, silhouetted tiered pagoda, blurred colorful distant lights, photorealistic, ultra detailed, 8k
	```

	![01_hanfu](outputs/01_hanfu_1024.png)

	### 02_astronaut — seed 43 — 228.6 s

	```text
	Astronaut in a jungle, cold color palette, muted colors, detailed, 8k, photorealistic, cinematic lighting
	```

	![02_astronaut](outputs/02_astronaut_1024.png)

	### 03_taipei — seed 44 — 224.7 s

	```text
	Cyberpunk street in Taipei at night, heavy rain, neon signs with text 'TAIPEI' and Chinese characters '台北', reflections on wet asphalt, crowded night market, cinematic, ultra detailed
	```

	![03_taipei](outputs/03_taipei_1024.png)

	### 04_shiba — seed 45 — 222.2 s

	```text
	Cute Shiba Inu wearing a tiny astronaut helmet, sitting in a field of sunflowers under a starry sky, dreamy illustration, vibrant colors, high quality
	```

	![04_shiba](outputs/04_shiba_1024.png)

	### 05_ink — seed 46 — 226.3 s

	```text
	Traditional Chinese ink wash landscape, misty mountains, a small pagoda on a cliff, cranes flying, minimalist, elegant, high aesthetic quality
	```

	![05_ink](outputs/05_ink_1024.png)

	## 風格展示

	以下 10 張為 10 類風格 × 同一組 5 組基礎 prompt（seed 42–51），
	使用與上方基準測試完全相同的推論設定。

	> 注意：這批圖片沒有對應的 `outputs/benchmark.json` 紀錄，也沒有腳本可重現，
	> 完整 prompt 亦未收錄於 repo（早期說明檔中的版本已被截斷，無法還原）。

	### traditional_painting · 傳統繪畫

	_油畫、版畫、水彩等傳統媒材_

	![01_traditional_painting](examples/01_traditional_painting_seed42_40step_1024.png)

	### anime_manga · 動漫繪師

	_吉卜力 × 新海誠動畫風_

	![02_anime_manga](examples/02_anime_manga_seed43_40step_1024.png)

	### digital_3d · 數位 3D

	_UE5 寫實渲染、CG 質感_

	![03_digital_3d](examples/03_digital_3d_seed44_40step_1024.png)

	### photography_cinema · 攝影電影

	_電影感人像攝影_

	![04_photography_cinema](examples/04_photography_cinema_seed45_40step_1024.png)

	### cultural_regional · 文化地域

	_敦煌壁畫、水墨等東方美學_

	![05_cultural_regional](examples/05_cultural_regional_seed46_40step_1024.png)

	### material_craft · 材質工藝

	_絲線刺繡、陶瓷、木雕等_

	![06_material_craft](examples/06_material_craft_seed47_40step_1024.png)

	### design_commercial · 平面商業

	_商業插畫、扁平幾何設計_

	![07_design_commercial](examples/07_design_commercial_seed48_40step_1024.png)

	### abstract_generative · 抽象生成

	_分形、生成藝術_

	![08_abstract_generative](examples/08_abstract_generative_seed49_40step_1024.png)

	### era_subculture · 復古次文化

	_80s 霓虹、賽博龐克_

	![09_era_subculture](examples/09_era_subculture_seed50_40step_1024.png)

	### render_technique · 厚塗渲染

	_油畫厚塗、概念設定_

	![10_render_technique](examples/10_render_technique_seed51_40step_1024.png)

	## 效能實測摘要

	完整逐 step 數據見 [`REPORT.md`](REPORT.md) 與 [`outputs/benchmark.json`](outputs/benchmark.json)。

	測試環境

	\| 項目 \| 內容 \|
	\| --- \| --- \|
	\| CPU \| Intel(R) Xeon(R) Platinum 8559C \|
	\| 拓撲 \| 2 sockets × 48 cores × 2 threads/core = 192 vCPU（96 實體核心） \|
	\| RAM \| 2.0 TiB \|
	\| 虛擬化 \| KVM（完整虛擬化） \|
	\| OpenVINO \| CPU only，2026.4.0（build `2026.4.0-22959-99c81491cc3-releases/2026/4`） \|
	\| 設定 \| `num_inference_steps=40`、`guidance_scale=4.5`、1024×1024 \|

	總結

	\| 指標 \| 數值 \|
	\| --- \| --- \|
	\| 解析度 \| 1024×1024 \|
	\| 平均總耗時 \| 226.03 s / 張 \|
	\| 平均單步耗時 \| 5.65 s \|
	\| 最快 / 最慢 \| 222.18 s / 228.58 s \|
	\| 總計（5 張） \| 1130.14 s \|
	\| 記憶體高水位 \| 3,276 MB \|

	- 512px 沒有獨立耗時資料：`outputs/*_512.png` 是 1024px 輸出的縮圖，非重新推理。
	- 文字編碼與 VAE decode 的時間已包含在總耗時內。

	逐張結果（1024×1024）

	\| # \| Prompt \| Seed \| 總耗時 (s) \| 平均單步 (s) \| guidance_scale \|
	\| --- \| --- \| --- \| --- \| --- \| --- \|
	\| 01_hanfu \| 42 \| 228.41 \| 5.710 \| None \|
	\| 02_astronaut \| 43 \| 228.58 \| 5.710 \| None \|
	\| 03_taipei \| 44 \| 224.70 \| 5.620 \| None \|
	\| 04_shiba \| 45 \| 222.18 \| 5.550 \| None \|
	\| 05_ink \| 46 \| 226.27 \| 5.660 \| None \|
	\| \| 平均 \| 226.03 \| 5.650 \| \|

	模型大小

	以下為 repo 內 `openvino_model.bin` 的實際位元組數（Git LFS 記錄值）。

	\| 元件 \| 位元組 \| 大小 \| 精度 \|
	\| --- \| ---: \| ---: \| --- \|
	\| `text_encoder_3` \| 2,557,956,630 \| 2.56 GB \| INT4 \|
	\| `transformer` \| 1,620,333,792 \| 1.62 GB \| INT4 \|
	\| `text_encoder_2` \| 696,453,879 \| 0.70 GB \| — \|
	\| `text_encoder` \| 124,172,025 \| 0.12 GB \| — \|
	\| `vae_decoder` \| 49,627,579 \| 0.05 GB \| — \|
	\| `vae_encoder` \| 34,337,212 \| 0.03 GB \| — \|
	\| 合計 \| 5,082,881,117 \| 5.08 GB \| \|

	FP16 匯出模型約 15.17 GB（transformer 4.60 GB + text_encoder_3 8.87 GB + text_encoder 0.23 GB + text_encoder_2 1.30 GB + vae 0.15 GB）——取自原始轉換紀錄。

	INT8 部分（兩個 CLIP text encoder 與 VAE）為 1.72 GB，佔 INT4 總量的 34%。

	⚠️ `outputs/benchmark_quantization.json` 記錄的 `int4_size_gb` 為 `4.76`，與 repo 內實際位元組總和 5.08 GB 不符；引用時請以本表為準。

	## 檔案結構

	```text
	.
	├── README.md # 本文件
	├── REPORT.md # 完整轉換 + 實測報告
	├── requirements.txt # Python 相依套件版本
	├── model_index.json # diffusers pipeline 索引（StableDiffusion3Pipeline）
	├── openvino_config.json # OpenVINO 量化設定
	├── inference_int4.py # 單張推論範例
	├── generate5.py # 5 組 prompt 批次生成 + benchmark
	├── quantize_int4.py # FP16 匯出 + INT4 量化（可分兩階段執行）
	├── transformer/ # INT4 SD3Transformer2DModel（MMDiT 24 層）
	├── text_encoder/ # INT8 CLIP-L
	├── text_encoder_2/ # INT8 CLIP-G
	├── text_encoder_3/ # INT4 T5-XXL
	├── tokenizer/ # CLIP tokenizer + OpenVINO tokenizer IR
	├── tokenizer_2/ # CLIP tokenizer 2 + OpenVINO tokenizer IR
	├── tokenizer_3/ # T5 tokenizer (sentencepiece)
	├── vae_encoder/ # INT8 VAE encoder
	├── vae_decoder/ # INT8 VAE decoder
	├── scheduler/ # FlowMatchEulerDiscreteScheduler (shift=3.0)
	├── examples/ # 15 張展示圖（含 10 張風格圖）
	└── outputs/ # 10 張實測圖 + 3 個資料檔
	├── *_1024.png # 主測組（5 張）
	├── *_512.png # 對照組（5 張，為 1024 縮圖）
	├── benchmark.json # 逐張耗時 + 硬體/軟體資訊
	├── benchmark_quantization.json # 量化設定與耗時
	└── prompts.txt # 5 組 prompt 與 seed
	```

	## 從零復現

	```bash
	# 1. 匯出 FP16 OpenVINO 模型
	optimum-cli export openvino \
	-m stabilityai/stable-diffusion-3.5-medium \
	--task text-to-image \
	--library diffusers \
	--weight-format fp16 \
	./SD3.5-medium-ov-fp16

	# 2. NNCF weight-only INT4 量化
	python quantize_int4.py --fp16-dir ./SD3.5-medium-ov-fp16 \
	--int4-dir ./SD3.5-medium-ov-int4

	# 3. 單張推論
	python inference_int4.py

	# 4. 批次生成 5 組 + benchmark
	python generate5.py --outdir outputs
	```

	量化設定：

	```python
	from optimum.intel.openvino.configuration import (
	OVConfig, OVWeightQuantizationConfig, OVPipelineQuantizationConfig,
	)

	int4_config = OVWeightQuantizationConfig(
	bits=4, sym=False, group_size=128,
	group_size_fallback="adjust", ratio=1.0,
	)

	pipeline_config = OVPipelineQuantizationConfig(
	quantization_configs={
	"transformer": int4_config,
	"text_encoder_3": int4_config,
	},
	default_config=OVWeightQuantizationConfig(bits=8),
	)
	```

	## 已知限制

	- 40 steps，CPU 速度慢：1024×1024 平均 226 s / 張（約 3.8 分鐘），是這批 repo 中最慢的。若要快速預覽可降到 28 steps 或改用 512px。
	- 512px 對照為縮圖：`outputs/*_512.png` 是 1024px 輸出的 LANCZOS 縮圖，並非以 512px 重新推理。
	- 基座模型為 gated：轉換前必須先接受 Stability AI 的授權條款。
	- 授權不是 Apache-2.0：Stability AI Community License 有商用限制，轉載前務必確認條款。
	- `inference_int4.py` 的 `--stepsize` 參數是無效的：該參數定義了但未傳入 pipeline，不會影響任何行為；`shift` 實際上取自 `scheduler/scheduler_config.json` 的 `3.0`。
	- `outputs/benchmark_quantization.json` 的 `int4_size_gb`（4.76）與實際位元組總和（5.08 GB）不符。
	- `REPORT.md` 提及的 `.gitignore` 不存在於本 repo。

	## 授權與出處

	- 來源模型：[`stabilityai/stable-diffusion-3.5-medium`](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium)

	- 授權：Stability AI Community License（`license: other`），不是 Apache-2.0。任何轉載或服務本 repo 都必須繼續遵守 Stability AI 的原始條款。

	- 完整條款：[LICENSE.md](https://huggingface.co/stabilityai/stable-diffusion-3.5-medium/blob/main/LICENSE.md)

	- 基座模型為 gated：需先在 Hub 頁面接受授權。

	---

	<div align="center">

	Made with OpenVINO + optimum-intel + NNCF

	</div>