【扩散模型专栏】文本到图像生成实战：Stable Diffusion架构解析与代码实现

AI成长日志2026-03-26 10:13

从文字描述到高清图像，Stable Diffusion通过潜在空间扩散、文本条件引导与U-Net去噪的精密协同，实现了生成式AI的工程化突破。本文将深入拆解其三大核心组件（VAE、U-Net、CLIP）的协作机制，并提供从零开始的实战代码，带你掌握文本到图像生成的完整技术栈。

1 引言与背景：从像素扩散到潜在空间革命

传统的扩散模型（如DDPM）直接在像素空间进行迭代去噪，生成一张512×512的RGB图像需要处理约78.6万个像素点 （512×512×3），每一步的卷积运算与梯度更新均面临巨大的计算压力。这种架构虽然能产出高质量图像，但训练成本常达数百GPU天，推理延迟也难满足实时应用需求。

2022年，Robin Rombach等人发表的论文《High‑Resolution Image Synthesis with Latent Diffusion Models》（CVPR 2022 Oral）提出潜在扩散模型（LDM） ，将扩散过程从像素空间移至低维潜在空间。这一设计的核心优势在于：

  • 计算效率跃升 ：图像经变分自编码器（VAE）压缩为64×64×4的潜在表示，数据量减少至原来的约1/64，训练与推理时间大幅缩短；
  • 细节保留与可控性平衡：潜在空间既保留了足够的语义信息（纹理、结构、色彩分布），又避免了像素级冗余，使模型更容易学习高级特征；
  • 条件生成泛化：通过交叉注意力（Cross‑Attention）将CLIP文本嵌入融入去噪过程，实现了细粒度的文本‑图像对齐。

Stable Diffusion作为LDM的首个大规模开源实现，迅速成为生成式AI的标杆。其架构由三个专业模块组成：

组件 模型类型 输入维度 输出维度 参数量级 核心作用
VAE（变分自编码器） AutoencoderKL 512×512×3 64×64×4 ≈8500万 图像⇄潜在空间的双向映射
U‑Net（条件去噪网络） UNet2DConditionModel 64×64×4 64×64×4 ≈8.6亿 在文本引导下逐步去除噪声
CLIP（文本编码器） CLIPTextModel 77 tokens 77×768 ≈1.23亿 将自然语言转换为语义向量

该架构在消费级GPU（≥10 GB显存）上即可运行，使得高质量图像生成从实验室走向千家万户。下面我们将逐一拆解各模块的数学原理与工程实现。

2 核心原理分析：三大组件的协同工作机制

2.1 VAE：图像与潜在空间的桥梁

变分自编码器（VAE）由编码器 EEE 与解码器 DDD 组成，其目标是最小化重建损失与正则项：

LVAE=∥x−D(z)∥22⏟重建损失+β⋅DKL ⁣(q(z∣x) ∥ N(0,I))⏟KL散度正则 \mathcal{L}{\text{VAE}} = \underbrace{\|x - D(z)\|2^2}{\text{重建损失}} + \beta \cdot \underbrace{D{\text{KL}}\!\big(q(z|x) \,\|\, \mathcal{N}(0, I)\big)}_{\text{KL散度正则}} LVAE=重建损失 ∥x−D(z)∥22+β⋅KL散度正则 DKL(q(z∣x)∥N(0,I))

其中 q(z∣x)=N(μ(x),σ2(x))q(z|x) = \mathcal{N}\big(\mu(x), \sigma^2(x)\big)q(z∣x)=N(μ(x),σ2(x)) 是编码器输出的分布，zzz 通过重参数化技巧采样：z=μ+σ⊙ϵ, ϵ∼N(0,I)z = \mu + \sigma \odot \epsilon,\ \epsilon \sim \mathcal{N}(0, I)z=μ+σ⊙ϵ, ϵ∼N(0,I)。

关键设计细节：

  1. 下采样因子：Stable Diffusion采用8倍下采样，将512×512×3图像压缩为64×64×4的潜在张量，计算量减少约64倍；
  2. 缩放因子：训练时潜在向量乘以固定缩放因子0.18215，以匹配扩散模型的数值范围；
  3. KL散度权重 （β\betaβ）：通常设为0.001，平衡重建质量与潜在空间的正则化。

VAE的编码器仅在训练阶段使用，推理时仅需解码器将去噪后的潜在向量 z0z_0z0 映射回像素空间：

x^=D(z0/0.18215) \hat{x} = D(z_0 / 0.18215) x^=D(z0/0.18215)

2.2 CLIP：文本语义的向量化表示

CLIP（Contrastive Language‑Image Pre‑training）通过对比学习将文本与图像映射到同一语义空间。在Stable Diffusion中，CLIP文本编码器将提示词（prompt）转换为上下文感知的嵌入向量。

处理流程：

  1. 分词 ：使用BPE分词器将输入文本转换为整数ID序列，例如 "a cat wearing steampunk goggles" → [101, 1032, 4937, 2031, 10547, 4012]；
  2. 截断/填充：序列长度固定为77（Stable Diffusion v1‑v2），超长部分截断，不足部分用零填充；
  3. Transformer编码 ：12层ViT‑L/14模型输出每个token的768维向量，得到形状为 (1,77,768)(1, 77, 768)(1,77,768) 的文本嵌入 EtextE_{\text{text}}Etext。

注意 ：实际生成时，通常同时计算条件嵌入 （有prompt）与无条件嵌入（空prompt），用于分类器自由引导（CFG）：

Ecfg=Euncond+s⋅(Econd−Euncond) E_{\text{cfg}} = E_{\text{uncond}} + s \cdot (E_{\text{cond}} - E_{\text{uncond}}) Ecfg=Euncond+s⋅(Econd−Euncond)

其中 sss 为引导尺度（guidance scale），典型值为7.5～12.0。

2.3 U‑Net：文本引导下的迭代去噪

U‑Net是扩散模型的核心生成引擎 ，其目标是在每一步 ttt 预测添加到噪声潜在 ztz_tzt 中的噪声 ϵ\epsilonϵ。训练目标简化为均方误差：

Ldiff=Et,x0,ϵ ⁣[∥ϵ−ϵθ(zt,t,Etext)∥22] \mathcal{L}{\text{diff}} = \mathbb{E}{t, x_0, \epsilon}\!\Big[ \|\epsilon - \epsilon_\theta(z_t, t, E_{\text{text}})\|_2^2 \Big] Ldiff=Et,x0,ϵ[∥ϵ−ϵθ(zt,t,Etext)∥22]

其中 zt=αˉtz0+1−αˉtϵz_t = \sqrt{\bar{\alpha}_t} z_0 + \sqrt{1-\bar{\alpha}_t} \epsilonzt=αˉt z0+1−αˉt ϵ，αˉt\bar{\alpha}_tαˉt 为噪声调度系数。

架构创新点：

  1. 交叉注意力层 ：文本嵌入 EtextE_{\text{text}}Etext 作为Key/Value，潜在特征作为Query，实现文本‑图像特征对齐；
  2. 时间步嵌入 ：将标量时间步 ttt 通过正弦位置编码映射为高维向量，调制每层卷积的权重；
  3. 残差连接与跳跃连接：保留高频细节，避免信息丢失。

U‑Net的输入输出均为64×64×4的潜在张量，通过50～100步的迭代去噪，逐步将随机高斯噪声 zT∼N(0,I)z_T \sim \mathcal{N}(0, I)zT∼N(0,I) 转化为符合文本条件的干净潜在 z0z_0z0。

2.4 调度器：控制噪声衰减的节拍器

调度器（Scheduler）管理扩散过程中的噪声强度与时间步序列。常见调度器包括：

调度器 特点 适用场景
DDIM 确定性采样，生成结果可复现 实验调试、风格一致性要求高
Euler A 随机性较强，创意发散 艺术创作、抽象图像
DPM++ 2M Karras 高质量、收敛稳定 商业级输出、写实图像

噪声调度函数 αt\alpha_tαt 通常采用余弦调度（cosine schedule），避免早期阶段噪声衰减过快：

αt=cos⁡(t/T+s)1+s（简化形式） \alpha_t = \frac{\cos(t/T + s)}{1+s} \quad \text{（简化形式）} αt=1+scos(t/T+s)（简化形式）

在实际采样循环中，调度器根据预测噪声 ϵθ\epsilon_\thetaϵθ 和当前时间步 ttt 计算更新步长，得到更干净的潜在 zt−1z_{t-1}zt−1。

3 架构设计与实现：从模块拼接到完整流程

3.1 整体生成流水线

一次完整的文本到图像生成包含以下步骤：
输入提示词 Prompt
CLIP 文本编码器
文本嵌入 E_text

1×77×768
初始化高斯噪声 z_T

1×4×64×64
迭代去噪循环

for t = T to 1
U‑Net 预测噪声 ε_θ

条件: E_text, t
调度器更新潜在 z_t → z_t-1
最终潜在 z_0
VAE 解码器
输出图像 x_hat

512×512×3

3.2 关键代码实现（核心逻辑≤20行）

以下代码使用Hugging Face diffusers 库，展示了Stable Diffusion生成流程的关键片段（省略了完整的错误处理与环境配置）。

3.2.1 CLIP文本编码器调用
python 复制代码 
import torch
from transformers import CLIPTokenizer, CLIPTextModel

def encode_prompt(prompt, tokenizer, text_encoder):
    """将文本提示编码为嵌入向量"""
    # 分词与填充
    text_inputs = tokenizer(
        prompt,
        padding="max_length",
        max_length=tokenizer.model_max_length,
        truncation=True,
        return_tensors="pt"
    )
    input_ids = text_inputs.input_ids
    
    # 获取文本嵌入
    with torch.no_grad():
        text_embeddings = text_encoder(input_ids)[0]
    
    return text_embeddings  # 形状: (1, 77, 768)
3.2.2 U‑Net条件扩散前向传播
python 复制代码 
def unet_forward_step(noisy_latents, timestep, text_embeddings, unet):
    """U‑Net单步噪声预测"""
    # 时间步嵌入
    t_emb = unet.time_proj(timestep)
    t_emb = unet.time_embedding(t_emb)
    
    # 条件输入：噪声潜在 + 时间嵌入 + 文本嵌入
    noise_pred = unet(
        sample=noisy_latents,
        timestep=timestep,
        encoder_hidden_states=text_embeddings
    ).sample
    
    return noise_pred  # 形状同 noisy_latents
3.2.3 VAE解码器实现
python 复制代码 
def decode_latents(latents, vae):
    """将潜在向量解码为图像"""
    # 缩放因子逆变换
    latents = latents / 0.18215
    
    with torch.no_grad():
        image = vae.decode(latents).sample
    
    # 归一化到 [0, 1]
    image = (image / 2 + 0.5).clamp(0, 1)
    
    return image  # 形状: (1, 3, 512, 512)
3.2.4 完整生成循环（简化版）
python 复制代码 
def generate_image(prompt, pipe, num_steps=50, guidance_scale=7.5):
    """文本到图像生成主函数"""
    # 1. 文本编码
    text_embeds = encode_prompt(prompt, pipe.tokenizer, pipe.text_encoder)
    uncond_embeds = encode_prompt("", pipe.tokenizer, pipe.text_encoder)
    
    # 2. 初始化噪声潜在
    latents = torch.randn((1, 4, 64, 64), device=pipe.device)
    
    # 3. 迭代去噪
    for i, t in enumerate(pipe.scheduler.timesteps[:num_steps]):
        # 分类器自由引导：拼接条件与无条件嵌入
        latent_model_input = torch.cat([latents] * 2)
        text_input = torch.cat([uncond_embeds, text_embeds])
        
        # 预测噪声
        noise_pred = unet_forward_step(latent_model_input, t, text_input, pipe.unet)
        
        # 分离条件/无条件预测
        noise_pred_uncond, noise_pred_cond = noise_pred.chunk(2)
        noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_cond - noise_pred_uncond)
        
        # 调度器更新潜在
        latents = pipe.scheduler.step(noise_pred, t, latents).prev_sample
    
    # 4. VAE解码
    image = decode_latents(latents, pipe.vae)
    
    return image

3.3 架构示意图

上图展示了Stable Diffusion三大组件的数据流与协作关系：

  1. 文本流：Prompt → CLIP Tokenizer → CLIP Text Encoder → 文本嵌入；
  2. 生成流：高斯噪声 → 迭代去噪（U‑Net + 调度器）→ 干净潜在；
  3. 解码流：潜在向量 → VAE解码器 → 高清图像。

4 实战案例与优化：从基础生成到高级调优

4.1 基础生成示例

下面是一个完整的、可直接运行的Stable Diffusion生成脚本：

python 复制代码 
from diffusers import StableDiffusionPipeline
import torch

# 1. 加载模型（半精度以节省显存）
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16,
    variant="fp16"
).to("cuda")

# 2. 定义生成参数
prompt = "A cyberpunk cityscape at night, neon lights reflecting on wet streets, 4k detailed"
negative_prompt = "blurry, low resolution, deformed"
num_steps = 30
guidance_scale = 10.0

# 3. 生成图像
image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    num_inference_steps=num_steps,
    guidance_scale=guidance_scale,
).images[0]

# 4. 保存结果
image.save("cyberpunk_city.png")

运行环境要求：

  • Python 3.8+
  • PyTorch 1.12+（与CUDA版本匹配）
  • 至少10 GB显存（半精度模式）
  • 安装依赖：pip install diffusers transformers accelerate

4.2 高级调优技巧

4.2.1 负面提示词（Negative Prompt）策略

负面提示词用于排除不希望出现的特征，提升生成质量：

python 复制代码 
negative_prompt = """
    ugly, deformed, noisy, blurry, low contrast,
    distorted anatomy, bad proportions, extra limbs,
    cloned face, mutilated, oversaturated
"""

效果对比：

  • 无负面提示词：可能出现脸部畸形、背景混乱；
  • 加入负面提示词：显著改善解剖结构准确性、色彩平衡。
4.2.2 采样器选择与步数权衡

不同采样器对生成速度与质量的影响：

采样器 推荐步数 特点 适用场景
Euler A 20‑30 快速，创意发散 概念艺术、快速原型
DDIM 40‑50 确定性，细节丰富 写实图像、风格一致性
DPM++ 2M Karr 30‑40 高质量，收敛稳定 商业级输出、产品渲染

经验公式：推理时间 ≈ 步数 × 单步耗时（约0.1‑0.3秒/步，取决于硬件）。

4.2.3 引导尺度（Guidance Scale）调整

引导尺度 sss 控制文本条件的强度：

  • s<5s < 5s<5：生成自由度高，但可能偏离提示；
  • 5≤s≤105 \le s \le 105≤s≤10：平衡创意与文本遵循；
  • s>10s > 10s>10：严格遵循提示，但可能丧失多样性。

调优建议 ：从 s=7.5s=7.5s=7.5 开始，根据生成结果微调 ±2.0。

4.3 性能优化技术

4.3.1 显存优化：注意力切片与模型卸载
python 复制代码 
# 启用注意力切片（降低显存峰值）
pipe.enable_attention_slicing()

# 启用CPU卸载（显存不足时）
pipe.enable_model_cpu_offload()
4.3.2 推理加速：xFormers与TensorRT
python 复制代码 
# 安装xFormers：pip install xformers
pipe.enable_xformers_memory_efficient_attention()

# ONNX导出与TensorRT优化（生产部署）
pipe = pipe.to("cuda")
pipe.unet = torch.compile(pipe.unet)  # PyTorch 2.0 编译加速
4.3.3 批量生成与缓存优化
python 复制代码 
# 批量生成（提升吞吐）
prompts = ["mountain landscape", "portrait of a knight", "abstract geometry"]
images = pipe(prompts, num_inference_steps=30).images

# KV缓存（减少重复计算）
pipe.unet.set_use_memory_efficient_attention(True)

4.4 生成质量评估指标

指标 说明 目标值
FID（Fréchet Inception Distance） 生成图像与真实图像分布距离 < 20（越低越好）
CLIP Score 文本‑图像语义对齐度 > 0.25（越高越好）
美学评分（LAION‑Aesthetics） 图像审美质量 > 6.0（满分10）

评估脚本示例：

python 复制代码 
from torchmetrics.image.fid import FrechetInceptionDistance
from PIL import Image

# 计算FID
fid = FrechetInceptionDistance(feature=2048)
fid.update(real_images, real=True)
fid.update(generated_images, real=False)
fid_score = fid.compute()
print(f"FID Score: {fid_score:.2f}")

5 总结与展望：文本到图像生成的技术演进

5.1 技术总结

Stable Diffusion通过 VAE‑U‑Net‑CLIP 三元架构，实现了文本到图像生成的高效、可控与高质量：

  1. VAE：将图像压缩至低维潜在空间，降低计算复杂度64倍；
  2. U‑Net：在文本条件引导下执行迭代去噪，逐步生成语义对齐的潜在表示；
  3. CLIP：将自然语言转换为可计算的语义向量，提供细粒度的生成引导。

该架构的核心创新在于潜在空间扩散，相比像素空间扩散，在保持视觉质量的同时大幅提升了生成速度与资源效率。

5.2 前沿进展与未来趋势

5.2.1 架构演进：从U‑Net到MMDiT

2025年发布的Stable Diffusion 3.5 采用 多模态扩散Transformer（MMDiT） 替代传统U‑Net，实现文本‑图像的双向精准交互：

  • 参数规模：从860M跃升至81亿，多模态理解能力显著增强；
  • 注意力机制：QK归一化与双重注意力层，确保超大规模参数下的训练稳定性；
  • 版本策略：提供Large（81亿）、Medium（25亿）与Turbo（4步成像）三个版本，适配不同硬件需求。
5.2.2 推理加速：蒸馏与一致性模型

为满足实时生成需求，业界发展了多种加速技术：

  • 渐进式蒸馏：将教师模型的50步去噪过程压缩至学生模型的4步，速度提升10倍以上；
  • 一致性模型：学习直接映射噪声潜在到干净潜在，实现单步高质量生成；
  • 硬件定制优化：TensorRT‑LLM、ONNX Runtime等推理引擎的针对性优化。
5.2.3 应用拓展：多模态与可控生成

未来文本到图像生成将向以下方向演进：

  1. 视频生成：将扩散模型扩展至时间维度，实现文本到视频生成；
  2. 3D内容生成：结合NeRF与扩散模型，从文本生成三维场景与物体；
  3. 精细控制：通过ControlNet、IP‑Adapter等插件，实现对构图、姿势、风格的像素级控制。

5.3 实践建议

对于希望深入文本到图像生成领域的开发者，建议：

  1. 基础掌握：理解扩散模型的数学原理与Stable Diffusion的三元架构；
  2. 工具熟练 ：掌握Hugging Face diffusers、transformers等核心库的使用；
  3. 调优经验：积累提示词工程、采样器选择、引导尺度调整等实战经验；
  4. 前沿跟踪：关注arXiv最新论文，了解MMDiT、一致性模型等最新进展。

6 常见问题与解决方案：实战中的典型问题排查

6.1 显存不足与优化策略

问题现象：运行Stable Diffusion时出现CUDA out of memory错误，尤其在生成高分辨率图像或使用较大模型时。

解决方案：

  1. 启用注意力切片 ：pipe.enable_attention_slicing()，将注意力计算分块处理，降低显存峰值；
  2. 使用半精度推理 ：加载模型时指定 torch_dtype=torch.float16，显存占用减半；
  3. CPU卸载 ：pipe.enable_model_cpu_offload()，动态将暂时不用的层移到CPU内存；
  4. 降低图像分辨率：从默认512×512降至384×384，显存需求减少约44%；
  5. 使用更小模型：考虑SD‑1.5而非SD‑XL，参数量从2.6B降至860M。

示例代码：

python 复制代码 
# 显存优化配置
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")
pipe.enable_attention_slicing()  # 注意力切片
# pipe.enable_model_cpu_offload()  # 显存极紧张时启用

6.2 生成质量不佳：模糊、畸形与语义偏差

问题类型及对策：

问题类型 典型表现 解决方案
图像模糊 细节缺失，边缘不清晰 1. 增加采样步数至40‑50步 2. 使用高质量调度器（DPM++ 2M Karras） 3. 启用高分辨率修复（Hires.fix）
面部畸形 五官错位、比例失调 1. 添加负面提示词："deformed face, bad anatomy" 2. 使用面部修复插件（CodeFormer） 3. 调整CFG尺度（7‑10之间）
文本不匹配 生成内容与提示词不符 1. 检查提示词语法（英文逗号分隔） 2. 增加关键权重：(important:1.2) 3. 使用更强大的文本编码器（CLIP‑L）

技术原理：CFG（分类器自由引导）尺度控制生成多样性‑忠实度的平衡。过低（<5）导致创意发散，过高（>12）可能引发畸变。推荐范围7‑10。

6.3 生成速度慢：实时应用瓶颈

性能瓶颈分析：

  • 模型加载：首次加载约15‑30秒（取决于硬件与网络）；
  • 去噪迭代：单步耗时0.1‑0.3秒，50步需5‑15秒；
  • 解码阶段：VAE解码约0.5‑1秒。

加速方案：

  1. 使用蒸馏模型：SD‑Turbo、LCM‑Lora等可实现4‑8步高质量生成；
  2. 启用xFormers ：pipe.enable_xformers_memory_efficient_attention()，提升20‑30%推理速度；
  3. 编译优化 ：PyTorch 2.0+ 的 torch.compile() 可进一步加速；
  4. TensorRT部署：生产环境下使用TensorRT‑LLM进行极致优化。

基准测试参考（RTX 4090, 512×512, 30步）：

  • 原生SD‑1.5：约4.2秒
  • 启用xFormers：约3.1秒
  • SD‑Turbo（4步）：约0.8秒

6.4 特定场景适配：风格迁移与领域定制

常见需求：

  • 动漫风格生成：使用Waifu‑Diffusion、Anything‑v3等专用模型；
  • 商业设计应用：结合ControlNet实现构图控制、色彩约束；
  • 科学研究可视化：训练领域特定的LoRA适配器。

工作流程：

  1. 数据准备：收集目标领域图像‑文本对（≥1000组）；
  2. 模型选择：基于基础模型（SD‑1.5/XL）进行微调；
  3. 训练配置：LoRA（低秩适应）参数高效微调；
  4. 评估部署：人工评估+自动指标（CLIP Score、FID）。

注意事项：

  • 避免过拟合：使用数据增强、早停策略；
  • 版权合规：确保训练数据来源合法；
  • 计算成本：单次微调约10‑50 GPU时。

6.5 跨平台部署：移动端与边缘设备

技术挑战：

  1. 模型压缩：从8.6亿参数降至2‑3亿，保持视觉质量；
  2. 推理引擎：适配TensorFlow Lite、Core ML、ONNX Runtime；
  3. 实时性要求：端侧设备推理延迟需<2秒。

解决方案架构：

复制代码 
原始模型 → 知识蒸馏 → 量化（INT8/FP16） → 图优化 → 引擎编译

推荐工具链：

  • 模型压缩：NNCF（Neural Network Compression Framework）
  • 格式转换 ：optimum.exporters.onnx、tf‑mobile‑net‑converter
  • 推理引擎：TFLite GPU Delegate、Core ML Tools

性能目标：高端手机（骁龙8 Gen 3）上512×512图像生成时间<5秒。

5.4 资源推荐

相关推荐
蛐蛐蛐2 小时前
在openEuler（昇腾平台）上基于Conda安装CANN和PyTorch的完整过程
人工智能·pytorch·conda
fundoit2 小时前
Windows 下 PyTorch 环境搭建指南
人工智能·pytorch·windows
陈天伟教授2 小时前
人工智能应用- AI 增强显微镜：01.显微镜的瓶颈
前端·人工智能·安全·xss·csrf
AAA阿giao2 小时前
从零到精通 NestJS：深度剖析待办事项（Todos）项目，全面解析 Nest 架构、模块与数据流
架构·typescript·node.js·nestjs·全栈开发·后端框架
Mintopia2 小时前
Pencil.dev 设计 → 规格 → 代码 → 校验
前端·人工智能
学不完的2 小时前
ZrLog 高可用反向代理架构
linux·运维·nginx·架构·负载均衡
Deepoch2 小时前
Deepoc具身模型开发板：巡检机器人的“全天候工业视觉”中枢
人工智能·科技·机器人·开发板·巡检机器人·具身模型·deepoc
AI精钢2 小时前
Sora死了
人工智能·云原生·aigc
kyle~2 小时前
EfficientNet 分类器---协同缩放网络的三个维度深度 宽度 分辨率
人工智能·计算机视觉·机器人
热门推荐
01GitHub 镜像站点02Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南03围棋-html版本04班级宠物园部署指南05小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）06OpenClaw 使用和管理 MCP 完全指南07UV安装并设置国内源08“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）09机器学习深度学习二——GAN网络10OpenClaw Control UI安全上下文访问配置