图 1：本文封面，点明主题「文生图核心概念地图」。
先想象一个场景。你第一次打开一个 AI 绘画工具，界面上摆着提示词、负面提示词、步数、CFG、种子、VAE、模型版本一串名词，教程里还时不时冒出 CLIP、UNet、latent。你照着抄参数能出图，但只要效果不对就无从下手——因为你看不到整张地图。这篇文章的目的就是把这张地图一次铺开。
核心结论一句话
文生图模型的内部并不神秘：它由三类部件接力完成——文本编码器负责读懂你的话，扩散模型负责在潜空间里把噪声一步步擦掉、擦成符合描述的中间表示，VAE 解码器负责把这个中间表示还原成像素图。看懂这条接力链，界面上的每个参数都能对号入座。
第一站：文本编码器，把话变成向量
你输入的提示词先被文本编码器切成词元（token），再编码成一组向量，作为后续生成过程的「导航信号」。不同代模型用的编码器不同：SDXL 的官方模型卡写明它使用两个固定的预训练文本编码器（OpenCLIP-ViT/G 和 CLIP-ViT/L）；Stable Diffusion 3.5 的模型卡则写明它用三个文本编码器（两个 CLIP 加一个 T5），而且词元长度有限制——这就是为什么提示词不是越长越好，超出窗口的部分根本进不了导航信号。
第二站：扩散模型，在噪声里「擦」出图
这是核心部件。它的工作方式可以粗浅地理解为：先在潜空间里放一团纯噪声，然后按提示词给的方向，分若干步逐步去噪，每一步都让画面离描述更近一点。界面上的「步数」就是去噪的轮数，「CFG（引导强度）」控制每一步听提示词的程度，「随机种子」决定那团初始噪声长什么样——种子固定、其他参数不变，结果就可以复现。
这一站也是各代模型拉开差距的地方：早期模型用 UNet 做去噪网络，SD 3.5 的模型卡写明它已换成 MMDiT（多模态扩散 Transformer）架构，文字和图像信息在同一个 Transformer 里交互，复杂提示词的理解和画面里的文字渲染因此明显改善。
第三站：VAE，像素与潜空间之间的翻译器
模型并不直接在像素上计算——那太贵了。VAE 先把图片压缩进一个小得多的「潜空间」，扩散去噪在那里进行，最后再由 VAE 解码回正常尺寸的图。你在工具里看到的 VAE 选项、SDXL 的 base+refiner 两段式流程，都发生在这一站附近。
图 2：文生图五段流水线，以及潜空间、步数、CFG 三个关键概念。
版本与许可：选模型前要知道的事
模型代际并不只是「画得更好」。SDXL 是潜空间扩散模型，官方给出 base 加 refiner 的两段式用法；SD 3.5 换成 MMDiT 架构并改进了资源效率。许可也变了：SD 3.5 采用 Stability Community License，模型卡写明年总收入低于 100 万美元的个人和组织可免费商用，超出则需要企业授权——商用前务必读一遍许可证。动手路径上，官方模型卡推荐本地使用优先 ComfyUI（节点式界面，把三站拆成可见的流程图，特别适合理解地图），编程集成则用 diffusers 库。
三个常见误区
误区一：提示词越长越精确。编码器有词元上限，堆砌无效形容词不如把主体、风格、构图写清楚。
误区二：步数越多越好。去噪轮数存在收益递减，超过模型的甜点区间只是白白变慢；先跟着官方示例的推荐值走（SD 3.5 的示例用 28 步），再围绕它微调。
误区三：AI 画的都是「事实」。模型卡明确声明：模型并未被训练成对人物或事件的事实性表征，生成内容不能当作真实记录使用。
给你的行动建议
按地图学，而不是按参数表学。第一步，用 ComfyUI 跑通一个官方示例工作流，亲眼看到「编码—去噪—解码」三个节点；第二步，固定种子只改提示词，体会导航信号的作用，再固定提示词只改种子，体会初始噪声的作用；第三步，把步数和 CFG 各扫一遍范围，找到你常用模型的甜点区。三轮实验下来，地图就长在脑子里了。
你在 AI 绘画里最想搞清楚的概念是哪一个——CFG、种子、VAE，还是模型微调？留言说说，也许下一篇就拆它。
参考资料
- stabilityai/stable-diffusion-3.5-large 官方模型卡（MMDiT 架构、三个文本编码器（OpenCLIP-ViT/G、CLIP-ViT/L、T5）、词元长度 77/256、示例 28 步与 CFG 3.5、Stability Community License 年营收 100 万美元以下免费商用、推荐 ComfyUI 或 diffusers、非事实性表征声明） — https://huggingface.co/stabilityai/stable-diffusion-3.5-large
- stabilityai/stable-diffusion-xl-base-1.0 官方模型卡（潜空间扩散模型、两个文本编码器（OpenCLIP-ViT/G 与 CLIP-ViT/L）、base+refiner 两段式流程、diffusers 用法） — https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0