stable-fast

让 Stable Diffusion 在 NVIDIA GPU 上跑出数倍速度，无需改代码。

stable-fast 是一个专为 NVIDIA GPU 设计的 HuggingFace Diffusers 推理性能优化框架，由 WaveSpeed.ai 团队开发。它主要解决 Stable Diffusion 等扩散模型在推理时速度慢、显存占用高的问题，通过融合 CUDA 内核、利用 OpenAI Triton 编写高性能算子，并针对 Diffusers 库进行深度定制优化，从而显著提升图像和视频生成的速度。其核心能力包括：自动将模型转换为优化后的推理引擎，支持动态形状和批处理，减少内存拷贝和计算冗余，并提供了简单的 API 集成方式，开发者无需修改现有代码即可获得数倍的速度提升。该项目面向生产环境，适用于需要高吞吐量或低延迟的图像生成服务，也适合在资源受限的 GPU 上运行大型模型。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1304

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队chengzeyi

所属国家

官网地址

GitHubhttps://github.com/chengzeyi/stable-fast

定价模式free

价格说明开源框架，MIT许可证，完全免费，需自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型cuda,deeplearnng,diffusers,inference-engines,openai-triton,performance-optimizations,pytorch,stable-diffusion,stable-video-diffusion,torch

GitHub 星标★ 1304

30天Star增速

HF 下载量

上线时间2023-10-17 00:00:00

最近更新2026-09-14 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

难度：进阶约 20 分钟部署方式：库/依赖 4 步

环境要求

Linux 或 Windows 的 WSL2 系统（stable-fast 目前仅在这两者上测试过）
Python 3.10
支持 CUDA 的 PyTorch（README 建议 1.12~2.1，作者实测 torch>=2.1.0）
CUDA 12.1 环境，且已安装 CUDNN/CUBLAS（源码编译时需要）
作者实测搭配版本：xformers>=0.0.22、triton>=2.1.0

安装与启动步骤

1准备 CUDA 环境

按 PyTorch 官网安装匹配 CUDA 12.1 的 PyTorch，并安装 xformers>=0.0.22、triton>=2.1.0。README 未给出具体安装命令。
2安装预构建 Wheel

从 GitHub Releases 页面下载与本机系统匹配的 whl 文件，把命令中的 /your/path 换成实际下载路径。
```
pip3 install /your/path/stable_fast.whl
```
3从 PyPI 安装

README 注释中提到可从 PyPI 安装最新稳定版，适合不想自行编译源码的用户。
```
pip3 install -v -U stable-fast
```
4从源码安装

从 GitHub main 分支源码安装。需本机已有编译环境和 CUDNN/CUBLAS；若构建与运行 GPU 型号不同，先设 TORCH_CUDA_ARCH_LIST。
```
pip3 install -v -U git+https://github.com/chengzeyi/stable-fast.git@main#egg=stable-fast
```

关键配置

配置项	必填	说明	示例
`TORCH_CUDA_ARCH_LIST`	否	当构建与运行的 GPU 类型不同时，指定目标 GPU 架构再安装	`8.6`

如何确认成功

README 未提供验证命令；pip 安装无报错、能成功 import stable_fast 即可认为安装完成。

常见问题

Q：支持原生 Windows 吗？

A：README 说明 stable-fast 目前仅在 Linux 和 Windows 的 WSL2 中测试过，原生 Windows 未经验证。

Q：安装时报编译错误怎么办？

A：先确认已安装支持 CUDA 的 PyTorch 以及 CUDNN/CUBLAS，并尽量使用作者实测的 CUDA 12.1、Python 3.10、torch>=2.1.0 组合。

Q：换 GPU 后重装报架构不匹配？

A：若运行和构建 stable-fast 的 GPU 类型不同，安装前设置 TORCH_CUDA_ARCH_LIST 环境变量指定目标架构。

Q：预构建 wheel 从哪里下载？

A：从 GitHub 项目的 Releases 页面下载与系统匹配的 wheel 文件，再用 pip3 install 命令安装。

注意事项

README 已声明 stable-fast 的活跃开发暂停，作者转向 ComfyUI 相关新项目。
项目只面向 NVIDIA CUDA GPU，不支持非 CUDA 硬件后端。
从源码安装需要本机具备编译工具链以及 CUDNN/CUBLAS。
README 未给出使用示例代码，具体 API 集成方式请以仓库后续文档为准。

核心亮点

基于 Triton 和 CUDA 深度优化，推理速度提升显著，实测可达 2-3 倍。
与 HuggingFace Diffusers 无缝集成，只需几行代码即可启用，降低使用门槛。
支持动态形状和批处理，适合在线服务场景，能有效提升 GPU 利用率。

不足之处

仅支持 NVIDIA GPU，对 AMD 或 Apple Silicon 用户不友好。
文档和社区支持尚在完善中，遇到复杂问题可能缺乏现成解决方案。

适用场景

Stable Diffusion 在线生图服务，需要低延迟响应。
批量生成图片或视频的离线任务，追求高吞吐量。
在单卡或有限 GPU 资源上运行大型扩散模型，减少显存压力。

替代项目

TensorRT、AITemplate、ONNX Runtime

项目介绍

stable-fast 是基础设施领域的开源项目，由 chengzeyi 开发，2023 年首次发布。

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,304）位列前 30%，在基础设施分类中处于中上游。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-14。MIT许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：StableDiffusion在线生图服务，需要低延迟响应。同类可对比的替代方案包括 TensorRT、AITemplate、ONNX Runtime。

上一篇：onediff

下一篇：modal-examples