本記事は Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った のスピンオフ。各モデル単独レビューの v4。
TL;DR
- Stable Diffusion 3.5 Medium は Stability AI が 2024年に公開した DiT 系の中量級モデル
- Mac M1 Max 64GB / Apple MPS で 1枚 約5分 (28 step / 1024px / bf16)、ロード 4分以上
- 「サムネ評価では合格、原寸評価で減点」の典型。DiT のディテール再現が中途半端
- ライセンスは Stability Community License、月収 $1M 以下なら商用 OK
- 採用方針: 記事のサムネ・SNS 用途は OK、原寸の挿絵には弱い。Flux 系 / Qwen 系の登場で立ち位置が苦しい
なぜこのモデルを試したか
DiT (Diffusion Transformer) 系のローカルモデルとして、Stability AI 系の最新作。「SD 3.5 ならどこまで進化したか」という Stability AI への期待値で1枠割り当てた。
期待:
- DiT への移行による解像度・構図の改善
- T5-XXL text encoder（Flux 系と同じ）による文字描画の改善
- SDXL の「要素追加癖」がなくなっているか
期待外れだった点:
- 5GB しかないのに 1枚 5分かかる: bf16 + DiT の Apple MPS 上の遅さ
- DiT 系で 1024 学習でも、よく見ると変: 画素ベースだと精細だが、構造的な「人体・物体の配置」がぎこちない
- ライセンスがやや複雑: Stability Community License は「無料商用 OK だが月収 $1M 超で要ライセンス」
結果: 「中堅安定枠」。SDXL base の正統進化ではあるが、Flux 系の登場でこの中量級枠は苦しい。
環境セットアップ
pip install diffusers==0.37.1 torch==2.11.0 transformers
ロードコード:
from diffusers import StableDiffusion3Pipeline
import torch
pipe = StableDiffusion3Pipeline.from_pretrained(
"stabilityai/stable-diffusion-3.5-medium",
torch_dtype=torch.bfloat16, # ★ bf16 推奨
).to("mps")
image = pipe(
prompt="...",
num_inference_steps=28,
guidance_scale=4.5,
height=1024,
width=1024,
).images[0]
ハード要件:
| 項目 | 値 |
|---|---|
| Mac | M1 Max / 64GB |
| モデル | 5GB (bf16) |
| 解像度 | 1024x1024 |
| 1枚あたり | 約5分 (28 step / 1024px / MPS) |
| ロード時間 | 約4分（モデル + T5-XXL + 構成全部読み込み） |
| HF gated repo | 要申請（Stability AI のライセンス同意が必要） |
stabilityai/stable-diffusion-3.5-medium は HF で gated repo。アクセス権申請後、数時間〜1日待ち。
8プロンプト全結果
| # | プロンプト | 画像 | 生成時間 |
|---|---|---|---|
| 01 | a cute cat sitting on a wooden bench in a sunny park |  |
5分38秒 |
| 02 | a bowl of ramen with chashu and soft-boiled egg |  |
5分1秒 |
| 03 | a wooden sign with "LOCAL AI" |  |
5分0秒 |
| 04 | a developer's t-shirt with "M1 MAX 64GB" retro 80s style |  |
4分57秒 |
| 05 | a woman developer working at a laptop |  |
4分57秒 |
| 06 | a glowing AI brain made of circuits and neon |  |
4分57秒 |
| 07 | three robots playing chess in a sunlit library |  |
5分2秒 |
| 08 | a wooden izakaya sign with the kanji "居酒屋" |  |
5分4秒 |
8枚合計 約 40分。Flux dev (96分) より速いが、SDXL base (8分) より遅い。「中量級なのに重い」のが SD 3.5 の持ち味。
個別プロンプト評価
01 猫 — 結構いい、サムネレベル合格
縞猫、ベンチ、自然光、被写界深度。SDXL base / SD 1.5 を明確に超える写実度。サムネとしては十分使える。原寸でズームすると毛並みのテクスチャがやや甘い。
| Flux dev (2024) | Qwen Lightning (2025) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| アニメ・イラスト調に流れる | ほぼ実写、若干イラスト感あり | サムネOK、原寸で毛並み甘い |
02 ラーメン — チャーシューがハム/サラミ風
パクチーなし・卵1個 ✓ 文化的に健闘、ただしチャーシューがハム/サラミ風で煮込み感ゼロ。「日本のラーメン」の雰囲気は出ているが、食材の質感で「西洋系の解釈」が混じる。
| Flux dev (2024) | Qwen Lightning (2025) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| パクチー入り（東南アジア混合） | 緑野菜だけ気になる、それ以外完璧 | チャーシューがハム/サラミ風 |
03 LOCAL AI — L LOCAL AI という余分な "L" 付き
看板の文字は L LOCAL AI という風に 先頭に余分な "L" が付く。SDXL base の「要素追加癖」が SD 3.5 にも引き継がれている。文字描画自体は SD 1.5 比で大きく改善したが、「もう1個追加する癖」が消えていない。
| SDXL base (2023) | Flux dev (2024) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| "LOCAL LL" に崩れる | "LOCAL AI" 完璧、レンズフレアまで | 余分な "L" が前に付く |
→ SDXL → SD 3.5 → Flux 系 で文字描画が段階的に改善する流れ。ただし SD 3.5 は「綴れるけど追加する」段階で止まっている。
04 M1 MAX 64GB Tシャツ — Tシャツが消えてロゴだけ浮く
プロンプトは "developer's t-shirt" なのに、出てきたのは 青背景にロゴだけ浮いている画像。Tシャツが完全に消失している。SDXL base のロボットキャラ化と同じ症状で、「Tシャツに文字をプリント」というプロンプト構造を text encoder が解釈できない典型例。
文字も:
- "M1" → "M1 1" に（数字が増殖）
- "MAX" → 反映 ✓
- "64GB" → 反映 ✓
| SDXL base (2023) | Flux dev (2024) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| Tシャツ消失 → ロボットキャラ | Tシャツに完璧プリント、80s シンセウェーブ | Tシャツ消失 → 青背景にロゴ |
→ SDXL 系 / SD 3.x で「t-shirt + text」プロンプトが崩れるのは構造的問題。Flux 系の T5-XXL になって初めて「Tシャツに何かをプリント」が解釈できる。
05 女性開発者 — 「サムネ OK、ズームすると変」の典型
一見まとも。原寸でズームすると:
- 紙コップを ノートPC のキーボード上に置いてる（液体こぼしたら数十万円）
- コーヒーカップを持つ手の 指がコップに刺さって貫通してる
- 髪の毛のディテールがやや甘い
| Qwen Lightning (2025) | Flux dev (2024) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| ストック写真として OK | 実写として完璧 | サムネ OK、原寸 NG（コップ on PC、指貫通） |
→ これが「サムネ OK、ズームすると変」。SNS のサムネ表示や記事のヘッダーで縮小されると問題が見えないが、原寸利用で減点。
06 AI brain — 健闘、ただし Flux dev には負ける
ネオン回路の脳。SDXL base / Flux dev 比で中位。雰囲気は出るが、解像度感・粒子感は Flux dev が圧倒的。
| Flux dev (2024) | Qwen Lightning (2025) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| 粒子・光の走り、ローカル中トップ | 実用域、Full から改善 | 雰囲気あり、SDXL base よりは綺麗 |
→ 抽象アート系では SD 3.5 がローカル中位に位置する。最強の Flux dev には粒子感・解像度感で負けるが、SDXL base よりは綺麗。サイバーパンク・ネオン系を最優先するなら Flux dev へ。
07 ロボとチェス — 数を減らす（3→2）、SDXL base から退化
プロンプトは "three robots" だが 2体のロボット。SDXL base ではちゃんと 3体描けていた領域なのに、後継の SD 3.5 Medium で逆に 2体に減ってしまう。T5-XXL を使っているにも関わらず。
| SDXL base (2023) | Flux dev (2024) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| 3体ちゃんと描ける | 3体（数の指定が通る、表情ディテールも充実） | 2体（数を減らす、退化） |
→ T5-XXL は SD 3.5 と Flux 系で同じ。ただし Flux 系は数の指定がしっかり通る（3体出る）。SD 3.5 で数が崩れるのは、text encoder ではなく DiT 側のキャパシティの問題と推測。前世代の SDXL base からの「退化」現象として記憶しておくべきポイント。
08 居酒屋 — 雰囲気は良いが架空字「未学夏」
雰囲気のある木造の建物、提灯、夜の路地。SDXL base よりやや雰囲気が良いが、看板の漢字は 「未学夏」みたいな架空字。漢字描画は依然として Qwen 系の登場まで解決されない領域。
| Flux dev (2024) | Qwen Lightning (2025) | SD 3.5 Medium (2024) |
|---|---|---|
 |
 |
|
| 京都町家風（料亭の意匠、文化誤読）+ 架空字「典桔」 | 漢字「居酒屋」完璧、店構え・暖色照明 完成 | 雰囲気あり、漢字「未学夏」風の架空字 |
良かった点
- DiT への移行で構図が改善: SDXL の「要素追加」は減った（ただし完全には消えていない）
- T5-XXL による文字描画の進化: SDXL base / SD 1.5 比で明確に綺麗
- 抽象アート系で健闘: AI brain、サイバーパンク調はそれなりに出る
- 5GB の中量級: Mac の他用途と共存できる重さ
- Stability Community License: 月収 $1M 以下なら商用 OK（ほとんどの個人・中小には十分）
悪かった点
- 「サムネ OK、ズームすると変」: 5 女性開発者のコップ on PC、指貫通など
- 5GB なのに 1枚 5分: Apple MPS で bf16 が遅い、効率が悪い
- 要素追加癖が残る: "L LOCAL AI" の余分な L、ロボット数を減らす
- アジア要素は依然弱い: 漢字「未学夏」、ラーメンのチャーシューがハム
- Flux 系の登場で立ち位置が苦しい: Flux schnell が同サイズで Apache 2.0、品質も高い
このモデルが活きるユースケース
率直に：SD 3.5 Medium のクオリティは、2026年の基準で実用域じゃない。
- 02 ラーメンのチャーシューがハム/サラミ風で煮込み感ゼロ
- 03 LOCAL AI に余分な "L" が付く
- 04 でTシャツが消えてロゴだけ浮く
- 05 でコップが PC の上、指がコップを貫通
- 07 で「3体」を勝手に「2体」に減らす
- 08 漢字が「未学夏」みたいな架空字
- 1枚 5分かかる（Flux schnell の 2.5倍、Qwen Lightning と同等）
これらは Flux schnell / Flux dev / Qwen Lightning では発生しない問題で、SD 3.5 Medium を「現代の挿絵候補」として使う場面は無い。それでも使う理由を挙げるなら:
- ✅ SNS のサムネ・記事のヘッダー画像: 縮小すれば原寸の問題は見えない、Flux 系より軽量
- ✅ 5GB の中量級: VRAM 制約のある環境で Flux 系 (23GB) が動かないとき
- ✅ 抽象アート・キービジュアル: 06 AI brain は Flux dev に劣るが SDXL base よりは綺麗
- ❌ 記事の挿絵（原寸）: ズームすると変、Flux dev / Qwen Lightning へ
- ❌ 本記事の採用方針に入る: 採用方針（英語圏 = Flux dev / アジア圏 = Qwen Lightning）に SD 3.5 が入るシーンは無い
ハマりポイント / Tips
1. bf16 を必ず指定する
# ❌ fp16 だと一部のレイヤーで精度足りず崩れる
pipe = StableDiffusion3Pipeline.from_pretrained(model_id, torch_dtype=torch.float16)
# ✅ bf16 が SD 3.5 の標準
pipe = StableDiffusion3Pipeline.from_pretrained(model_id, torch_dtype=torch.bfloat16)
SD 3.5 は bf16 学習。fp16 で動かすと一部の絵で品質が落ちる。Apple MPS で bf16 は遅いが、品質を取るなら必須。
2. ロードに 4分かかることを覚悟する
T5-XXL を含むコンポーネントが重く、初回ロードに4分以上かかる。スクリプト起動の度にこれを払うので、複数プロンプトを処理する場合は 1セッションで一気に回す。
3. HF gated repo の申請を忘れない
stabilityai/stable-diffusion-3.5-medium は HF で gated。Hugging Face にログインしてアクセス権申請 → 数時間〜1日。Flux dev と同じ罠。
4. ライセンスの罠: Stability Community License
無料商用 OK だが、月収 $1M 超は別途エンタープライズライセンス必要。個人ブログ・中小事業なら問題ないが、大規模商用には注意。
5. SD 3 / SD 3.5 / SD 3.5 Large の関係
| モデル | サイズ | 公開時期 | 立ち位置 |
|---|---|---|---|
| SD 3 | 8GB | 2024年6月 | 解剖学崩壊で炎上、廃止 |
| SD 3.5 Medium | 5GB | 2024年10月 | 本記事の対象、安定 |
| SD 3.5 Large | 17GB | 2024年10月 | 高解像度版、本記事範囲外 |
SD 3 を試そうとして SD 3.5 に着地するのが正解。SD 3 は人物・解剖学が酷い結果になり、SD 3.5 で改善された経緯がある。
比較記事と次のモデルへ
- まとめ記事: Mac でローカル画像生成 10モデル比較したら、最強候補が裏返った
- 前作 (LLM 6モデル比較): ローカルLLMで読める記事は書けるのか
シリーズ内の関連記事:
- v2 SDXL base 1.0 — 中堅の安定感と「要素を勝手に変える」癖（前世代の中堅）
- v5 Flux.1 [schnell] — Apache 2.0 の 4-step 蒸留（同サイズ帯のライバル）
- v6 Flux.1 [dev] — ローカル写実度トップ（上位代替）
検証環境: Mac M1 Max 64GB / macOS 25.4 / Python 3.14 / Diffusers 0.37.1 / PyTorch 2.11 (MPS) 作業ログ: 2026-04-29、SD 3.5 Medium (stabilityai/stable-diffusion-3.5-medium, 28-step / guidance 4.5 / bf16 / 1024px)
