关于 Stable Diffusion 中 CLIP 层数与 clip_skip 的通用理解总结：

游戏AI研究所

已于 2025-05-06 11:51:55 修改

阅读量445

点赞数 12

分类专栏：技术分享文章标签： stable diffusion CLIP 层数 python AIGC AI编程 AI作画

于 2025-05-06 11:51:25 首次发布

本文链接：https://blog.csdn.net/m0_65079043/article/details/147731488

版权

技术分享专栏收录该内容

4 篇文章

订阅专栏

在 SD 1.5、SDXL 甚至 FLUX 模型中，CLIP 是负责解析提示词的核心组件，通常包含 12 到 32 层 Transformer 结构。不同模型使用的 CLIP 层数不同：SD 1.5 为 12 层（ViT-L/14）、SDXL 为 32 层（ViT-G/14）。clip_skip 控制“终止层数”，即使用倒数第几层的输出作为提示词向量。clip_skip=1 通常意味着跳过最后一层，用倒数第二层结果，更贴近原始提示语义；clip_skip=2 则进一步保留具体词义，减少过度抽象。无论是 checkpoint 还是 LoRA，clip_skip 设置必须匹配训练时设定，否则图像输出会出现风格或响应偏差。正确理解每一层语义处理的作用，是稳定出图与 LoRA 应用的关键。