Stable Diffusion 2.1 при запуске через Automatic1111 или ComfyUI часто выдаёт ошибку вида KeyError: 'cond_stage_model...' — причина почти всегда в том, что конфигурационный файл yaml не соответствует загруженному чекпоинту. Модель версии 2.1 использует другой текстовый энкодер (OpenCLIP H вместо CLIP ViT-L/14 у ветки 1.x), поэтому чекпоинты и настройки от 1.5 напрямую несовместимы. Прежде чем менять что-либо в интерфейсе, проверьте, какой именно файл весов вы скачали: v2-1_768-ema-pruned.ckpt или v2-1_512-ema-pruned.ckpt.
В этой статье разберём, чем Stable Diffusion 2.1 отличается от предыдущих релизов, какие требования предъявляет к железу, как корректно установить модель и избежать типичных ошибок при генерации изображений.
Что изменилось в Stable Diffusion 2.1 по сравнению с 1.5 и 2.0
Версия 2.1 вышла в декабре 2022 года как доработанный релиз ветки 2.0 от Stability AI. Ключевое отличие — обучение на более «отфильтрованном» датасете с менее жёсткими ограничениями фильтра NSFW, что частично вернуло модели способность генерировать реалистичных людей, которую критиковали в 2.0.
Архитектурные изменения затронули текстовый энкодер: вместо OpenCLIP версии 2.0 использовался тот же OpenCLIP-H/14, но дообученный на дополнительных данных. Размер латентного пространства и VAE остались совместимыми с 2.0.
- 🎨 Два варианта весов: базовый 512×512 и версия 768×768 для генераций высокого разрешения.
- 🧠 Новый текстовый энкодер OpenCLIP-H/14 — промпты от 1.5 работают иначе, требуется адаптация.
- 🖼️ Улучшенная детализация на разрешении 768×768 по сравнению с 2.0.
- ⚙️ Несовместимость с LoRA и эмбеддингами, обученными под 1.5.
| Параметр | SD 1.5 | SD 2.0 | SD 2.1 |
|---|---|---|---|
| Текстовый энкодер | CLIP ViT-L/14 | OpenCLIP-H/14 | OpenCLIP-H/14 |
| Нативное разрешение | 512×512 | 512 и 768 | 512 и 768 |
| Фильтр обучающих данных | Умеренный | Строгий | Смягчённый |
| Совместимость с LoRA 1.x | Да | Нет | Нет |
Системные требования и подготовка
Для локального запуска потребуется видеокарта NVIDIA с поддержкой CUDA. Комфортный минимум — 6 ГБ видеопамяти для разрешения 512×512 и около 8 ГБ для 768×768. На картах с меньшим объёмом VRAM генерация возможна с флагами оптимизации, о которых поговорим ниже.
Некоторые пользователи запускают модель на AMD через DirectML-форки или на CPU, но скорость в таком режиме падает в разы — одна генерация может занимать несколько минут. Если у вас именно такая конфигурация, сверяйтесь с документацией конкретного форка: универсальной инструкции здесь нет.
⚠️ Внимание: скачивайте веса только с официального репозитория Stability AI на Hugging Face. Сторонние источники могут распространять модифицированные чекпоинты, а формат
.ckptоснован на pickle и теоретически может содержать вредоносный код. Предпочтительнее формат.safetensors.
Установка через Automatic1111 WebUI
Самый популярный способ работы с моделью — интерфейс Automatic1111. Порядок действий стандартный: установите Python 3.10 и Git, клонируйте репозиторий, положите чекпоинт в папку моделей.
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
Файл весов v2-1_768-ema-pruned.ckpt помещается в каталог models/Stable-diffusion. Рядом нужно положить конфигурационный файл v2-inference-v.yaml, переименовав его так же, как чекпоинт, но с расширением .yaml — иначе WebUI не сможет корректно определить архитектуру модели. Современные версии интерфейса часто подхватывают конфиг автоматически, но при ошибках загрузки проверьте этот момент в первую очередь.
☑️ Проверка перед первым запуском
Запуск выполняется скриптом webui-user.bat на Windows или webui.sh на Linux. При первом старте автоматически подтянутся зависимости — это может занять заметное время.
Настройка параметров генерации
Если вы пришли с версии 1.5, будьте готовы перестроить привычные промпты. Негативные промпты в 2.1 работают иначе из-за смены энкодера: классические связки вроде длинных списков «bad quality, worst quality» дают менее предсказуемый эффект. Короткие и осмысленные негативы обычно работают лучше.
Для чекпоинта 768 ставьте разрешение 768×768 или близкие пропорции — генерация 512×512 на этой версии даёт дублирующиеся объекты и деформации, потому что модель обучалась на большем размере. Обратное тоже верно: 512-вариант на 768×768 будет «ломать» композицию.
- 🎯 Sampler: Euler a и DPM++ 2M Karras — стабильный выбор для старта.
- 🔢 Steps: 20–30 шагов достаточно для большинства сцен.
- 📐 CFG Scale: начните с 7–9; высокие значения в 2.1 быстро дают пересвеченные цвета.
- 🖼️ Разрешение: строго соответствуйте варианту чекпоинта — 512 или 768.
Типичные ошибки и их решение
Ошибка CUDA out of memory — самая частая проблема на картах с малым объёмом VRAM. Добавьте в webui-user.bat аргументы командной строки:
set COMMANDLINE_ARGS=--medvram --xformersФлаг --medvram снижает потребление памяти ценой скорости, а --xformers оптимизирует механизм внимания. На совсем слабых картах используется --lowvram, но генерация замедляется существенно.
Вторая распространённая ситуация — чёрное изображение вместо результата. Возможная причина — срабатывание встроенного NSFW-фильтра или переполнение при вычислениях в половинной точности. Попробуйте запуск с аргументом --no-half (требует больше VRAM) или --precision full, а также проверьте, не блокирует ли фильтр ваш промпт.
⚠️ Внимание: не подменяйте yaml-конфиг от версии 1.5 для чекпоинта 2.1 «чтобы запустилось». Модель формально загрузится, но будет выдавать шум или бессмысленные изображения, потому что структура латентного пространства и энкодера различается.
Почему промпты от 1.5 плохо работают в 2.1
Ветка 2.x обучалась с энкодером OpenCLIP-H/14, который иначе токенизирует и взвешивает слова. Ключевые слова, «заточенные» под CLIP ViT-L/14 (например, многие названия стилей и художников), теряют силу или меняют смысл. Промпты для 2.1 лучше строить заново: короткое описание сцены, затем уточнения стиля и качества.
Стоит ли использовать 2.1 сегодня
Честный ответ: для большинства задач ветка 2.1 сейчас уступает по экосистеме версии 1.5 и более новым моделям вроде SDXL. Под 1.5 обучены тысячи LoRA, ControlNet-адаптеров и эмбеддингов, тогда как каталог ресурсов для 2.1 заметно скромнее.
Тем не менее 2.1 сохраняет нишевую ценность: нативное разрешение 768×768 без апскейла, иная эстетика рендера и меньшая «заезженность» стиля. Если вы экспериментируете или ищете нестандартный визуальный язык, модель заслуживает места в коллекции чекпоинтов.
Часто задаваемые вопросы
Поддерживает ли Stable Diffusion 2.1 LoRA от версии 1.5?
Нет. Из-за другого текстового энкодера и архитектуры LoRA, Textual Inversion и большинство расширений, обученных под 1.5, с веткой 2.x несовместимы. Нужны ресурсы, созданные специально под 2.0/2.1.
Какой чекпоинт выбрать: 512 или 768?
Если видеопамяти 8 ГБ и больше — берите 768-версию, она даёт более детальные результаты. При ограниченной VRAM и для быстрых черновиков подойдёт 512-вариант.
Почему генерация занимает несколько минут?
Возможные причины: запуск на CPU, активный режим --lowvram, отсутствие xformers или недостаток VRAM с уходом в подкачку. Проверьте загрузку GPU в диспетчере задач во время генерации.
Можно ли использовать 2.1 в ComfyUI?
Да, ComfyUI поддерживает ветку 2.x. Убедитесь, что загружаете именно чекпоинт 2.1, и при необходимости укажите соответствующий конфиг в ноде загрузки модели.
Чёрный квадрат вместо картинки — что делать?
Вероятные причины: срабатывание NSFW-фильтра или проблемы с вычислениями в fp16. Попробуйте изменить промпт, добавить аргумент --no-half или обновить версию WebUI.