【2025 Stable Diffusion WebUI 基础详解】【3.Stable Diffusion embedding模型使用指南】

一、Embedding模型核心原理与技术架构

1.1 词向量空间的本质解析

在Stable Diffusion的架构中，文本编码器CLIP将输入的prompt转换为768维的语义向量（Text Embedding）。而embedding模型的核心作用是通过语义空间插值（Semantic Interpolation）技术，在CLIP的特征空间中创建新的语义锚点。例如，当训练一个名为anime_face的embedding时，模型会学习将"anime_face"这个token映射到特定的向量区域，该区域包含日系动漫人脸的特征集合（如大眼睛、尖下巴、柔和光影等）。

1.1.1 词向量空间可视化

通过TensorBoard的Embedding Projector工具，可以观察到：

• 原始CLIP模型的语义空间呈现出明显的分类边界（如"cat"和"dog"的向量距离远大于"car"和"truck"）
• 训练后的embedding会在语义空间中形成新的聚类中心，例如anime_face会在"face"聚类附近形成子聚类
• 不同embedding之间的向量距离反映了其语义关联程度（如steampun