stable-fast

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

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 91 🐛 待处理 63 👀 关注 13

GitHub ↗

GitHub 星标 ★ 1306

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源框架，MIT许可证，完全免费，需自行部署使用。

项目预览

stable-fast 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队chengzeyi

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

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

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★ 1306

上线时间2023-10-17 00:00:00

代码更新2025-03-27

仓库体积419 KB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

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。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1306

技术标签

cuda diffusers pytorch stable-diffusion torch

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

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
```