1. 为什么要在 Mac 上折腾本地生图
先把结论摆在最前面：在 Mac 上跑本地生图，目前最现实的路径就是基于 Stable Diffusion 系列模型配合 Apple Silicon 的 MPS 加速，用 10GB 左右统一内存换一张 512×512 到 768×768 的图，单张耗时大概在两到三分钟这个量级。标题里说的“182 秒一张、10GB 内存”，我实测下来基本吻合，甚至在某些调度参数下还会更慢一点。这不是什么黑科技，就是把开源模型塞进本地显卡（准确说是统一内存）里硬跑。
那为什么还要折腾？因为本地生图解决的是三个很实际的问题。第一是隐私，你输入的提示词、参考图、生成结果全程不出本机，对于做产品概念图、内部素材、个人创作的人来说，这一点比速度重要得多。第二是可控，云端服务你只能调它给你的参数，本地你可以换模型、换 LoRA、改采样器、接 ControlNet，想怎么捏就怎么捏。第三是成本，云端按张计费或者按月订阅，本地跑一次电费几分钱，跑得越多越划算。
但这里必须先把“不能商用”这件事说清楚，这也是标题里最容易被忽略、却最要命的一点。很多开源模型和权重，尤其是社区微调版本，其许可证明确限制商业用途，或者要求你遵守特定的使用条款。你在本地生成一张图自己看看、做做练习、搞搞个人项目，没问题；但一旦拿去卖钱、放进商业产品、用于客户交付，就可能踩线。所以这篇内容适合谁？适合想在 Mac 上搭一套本地生图环境、用于学习研究和个人创作的人；不适合想拿它直接做商业变现、又不愿意研究许可证的人。
我自己的机器是一台 M 系列芯片、16GB 统一内存的 MacBook，跑下来内存占用峰值在 9 到 11GB 之间浮动，系统会明显变卡，风扇会转，但不会崩。如果你只有 8GB 内存，我建议直接放弃，或者只跑最精简的模型加低分辨率，体验会很差。下面我把整套思路、参数、踩过的坑，按我实际操作的顺序拆开讲。
2. 整体方案设计与选型思路
2.1 为什么是 MPS 而不是 CPU 或 CUDA
Mac 上没有 NVIDIA 显卡，所以 CUDA 这条路直接堵死。剩下的选择只有两个：CPU 推理和 Apple 的 MPS（Metal Performance Shaders）后端。CPU 推理能跑，但慢到离谱，一张 512×512 的图可能要十几分钟甚至更久，完全没有实用价值。MPS 则是苹果给自家芯片提供的图形与计算加速框架，PyTorch 从 1.12 版本开始正式支持 MPS 后端，这才让 Mac 本地生图变得可行。
选 MPS 的核心逻辑是：它能把模型计算卸载到 Apple Silicon 的 GPU 核心上，同时利用统一内存架构，让 CPU 和 GPU 共享同一块内存，省去了数据在显存和内存之间来回拷贝的开销。这也是为什么 Mac 能用“统一内存”这个相对小的数字跑动模型——它不像独立显卡那样有固定的显存上限，而是动态借用系统内存。代价就是，一旦占用过高，整个系统都会跟着卡。
2.2 为什么内存是 10GB 这个量级
很多人以为模型文件多大，运行时就占多大内存，其实不是。以 Stable Diffusion 1.5 为例，模型权重文件大概 4GB 左右（fp16 精度），但推理过程中还需要额外的内存来存放中间激活值、注意力矩阵、VAE 解码器的特征图等等。这些加起来，在 512×512 分辨率下，峰值内存占用就会到 8 到 10GB。如果你把分辨率提到 768×768，或者用 SDXL 这类更大的模型，内存需求会直接翻倍甚至更多。
所以“10GB 内存”不是一个随便说的数字，它是 512×512 分辨率、SD1.5 级别模型、fp16 精度下的一个典型峰值。你可以通过降低分辨率、使用更小的模型、开启注意力切片（attention slicing）等方式把峰值压下来，但画质和速度都会受影响。这就是一个典型的三角权衡：速度、画质、内存，你只能同时满足两个。
2.3 为什么单张要 182 秒
182 秒这个数字，拆开来看大概是这样的：模型加载（如果没常驻内存）几十秒，文本编码几秒，然后是核心的去噪采样过程，20 到 30 步的采样，每步都要跑一遍 U-Net，最后 VAE 解码几秒。M 系列芯片的 GPU 算力相比桌面级独显还是有差距，尤其是在 fp32 和某些算子上的优化不够成熟，所以单步耗时偏高。
我实测过不同采样步数的影响：20 步大概 150 秒左右，30 步接近 200 秒，50 步就要 300 秒以上了。所以 182 秒基本对应 25 到 30 步的配置。想提速，最直接的办法就是减少步数，但步数太低画质会崩；其次是换更快的采样器，比如 DPM++ 2M 系列通常比 Euler 系列收敛更快；再就是降低分辨率。这三招我都试过，后面会细说。
3. 环境搭建与核心配置实操
3.1 基础环境准备
我假设你已经有一台 M 系列芯片的 Mac，系统版本不要太老，macOS 12 以上比较稳妥。第一步是装 Python 环境。我强烈建议用 conda 或者 miniforge 来管理，不要直接用系统自带的 Python，否则后面依赖冲突会让你怀疑人生。
# 安装 miniforge（Apple Silicon 原生版本） brew install miniforge # 创建独立环境，指定 Python 3.10 conda create -n sd-mac python=3.10 conda activate sd-mac这里为什么选 Python 3.10？因为 PyTorch 对 3.10 的支持最成熟，3.11 和 3.12 在某些版本上会有兼容性问题，尤其是和 diffusers、transformers 这些库搭配时。我踩过一次坑，用 3.12 装完跑起来报了一堆算子不支持，换回 3.10 立刻正常。
接下来装 PyTorch。注意一定要装支持 MPS 的版本，官方从 1.12 开始就默认带了，但你要确认安装命令里没有指定 CPU-only 的源。
pip install torch torchvision torchaudio装完之后验证一下 MPS 是否可用：
import torch print(torch.backends.mps.is_available()) # 应该输出 True print(torch.backends.mps.is_built()) # 应该输出 True如果这里输出 False，大概率是 PyTorch 版本不对，或者系统版本太老。这一步不过，后面全白搭。
3.2 生图框架的选择
Mac 上跑本地生图，主流有三条路：直接用 diffusers 库写脚本、用 Automatic1111 的 WebUI、用 ComfyUI。我三个都试过，说说各自的取舍。
diffusers 最轻量，适合你想深度定制、写自己的流程，但需要一定的 Python 基础，没有现成界面。Automatic1111 的 WebUI 功能最全，插件生态最丰富，但在 Mac 上配置起来最折腾，而且对 MPS 的支持时好时坏，有时候一个版本能用，升级一下就崩了。ComfyUI 是节点式工作流，灵活度极高，对 MPS 的支持相对友好，内存管理也做得不错，我现在主力用的就是它。
如果你只是想快速跑起来看看效果，我建议先用 diffusers 写个最小脚本，确认整条链路通了，再考虑上界面。下面是一个最小可运行的例子：
from diffusers import StableDiffusionPipeline import torch pipe = StableDiffusionPipeline.from_pretrained( "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16 ) pipe = pipe.to("mps") # 关键：开启注意力切片，降低内存峰值 pipe.enable_attention_slicing() prompt = "a cat sitting on a windowsill, soft light, detailed" image = pipe(prompt, num_inference_steps=25, guidance_scale=7.5).images[0] image.save("output.png")这段代码里有两个关键点。第一是torch_dtype=torch.float16，用半精度能省将近一半内存，画质损失很小。第二是enable_attention_slicing()，它把注意力计算切成小块来做，峰值内存能降下来不少，代价是速度慢一点点。这两个设置是我在 16GB 机器上能稳定跑起来的关键。
3.3 模型下载与存放
模型文件建议单独放一个目录，不要塞在项目里，方便管理和切换。SD1.5 的 fp16 版本大概 2GB 多，SDXL 的 base 加 refiner 加起来要 10GB 以上，对内存的压力完全不是一个量级。我建议先从 SD1.5 开始，跑通了再考虑更大的。
下载模型的时候注意，有些社区版本会打包成.safetensors格式，这个格式比老的.ckpt更安全，加载时不会执行任意代码，优先选这种。下载完记得核对一下文件大小和哈希值，我遇到过一次下载中断导致模型损坏，加载时报了一堆莫名其妙的错，排查了半天才发现是文件不完整。
4. 参数调优与性能实测
4.1 分辨率、步数、采样器的三角关系
这三个参数是影响速度和画质最直接的。我做了几组对照测试，机器是 16GB 统一内存的 M 系列芯片，模型用 SD1.5 fp16，开启注意力切片。
| 分辨率 | 步数 | 采样器 | 单张耗时 | 内存峰值 | 画质评价 |
|---|---|---|---|---|---|
| 512×512 | 20 | Euler a | 约 145 秒 | 约 8.5GB | 可用，细节一般 |
| 512×512 | 30 | DPM++ 2M | 约 182 秒 | 约 9.5GB | 较好，推荐 |
| 768×768 | 25 | DPM++ 2M | 约 310 秒 | 约 13GB | 好，但内存吃紧 |
| 512×512 | 50 | Euler | 约 290 秒 | 约 9.8GB | 提升有限，不划算 |
从这张表能看出来，182 秒对应的是 512×512、30 步、DPM++ 2M 这个组合，也是我个人最推荐的平衡点。分辨率提到 768 之后，耗时和内存都大幅上升，16GB 机器会开始明显卡顿，8GB 机器直接别想。
采样器的选择也有讲究。Euler a 速度快但随机性强，适合探索；DPM++ 2M 收敛稳定，适合出成品；DDIM 步数少的时候画质下降明显。我一般先用 Euler a 低步数快速试提示词，找到方向后再用 DPM++ 2M 高步数出图。
4.2 提示词与引导系数的实操心得
guidance_scale 这个参数控制模型多大程度上听从你的提示词。太低（比如 3 以下）画面自由发挥，可能偏离主题；太高（比如 15 以上）画面会变得僵硬、过饱和、出现伪影。7 到 8 是大多数情况下的甜区，我一般用 7.5。
提示词的写法上，我总结了一个简单的结构：主体 + 环境 + 风格 + 质量词。比如“a cat sitting on a windowsill, soft morning light, photorealistic, highly detailed”。不要堆砌太多互相矛盾的词，模型会无所适从。另外负面提示词很有用，把“blurry, low quality, deformed, extra fingers”这类常见问题写进去，能明显减少废图率。
还有一个容易被忽略的点：随机种子。固定种子可以复现同一张图，方便你微调提示词看变化。我习惯先随机跑几张找感觉，锁定一张构图不错的，记下种子，再在这个基础上改提示词。
4.3 内存不够时的降级策略
如果你只有 8GB 内存，或者跑大模型时爆内存，可以按下面的顺序逐级降级：
- 开启注意力切片（
enable_attention_slicing），这是最有效的。 - 把分辨率降到 512×512 甚至 448×448。
- 用 fp16 而不是 fp32。
- 换更小的模型，比如 SD1.5 而不是 SDXL。
- 开启顺序 CPU 卸载（
enable_sequential_cpu_offload），但这会大幅拖慢速度。
我试过在 8GB 机器上跑 SD1.5，开启切片加 512 分辨率，勉强能跑，但系统卡到几乎没法干别的，单张要三四分钟。所以我的建议很直接：8GB 内存就别折腾本地生图了，体验太差。
5. 常见问题与排查实录
5.1 报错与异常速查
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| MPS 不可用 | PyTorch 版本不对或系统太老 | 升级 PyTorch 和 macOS |
| 跑到一半崩溃 | 内存不足 | 开切片、降分辨率、换小模型 |
| 出图全黑或全灰 | VAE 精度问题 | 用 fp32 跑 VAE 或换 VAE 版本 |
| 速度异常慢 | 没走 MPS，跑在 CPU 上 | 检查pipe.to("mps")是否生效 |
| 模型加载报错 | 文件损坏或不完整 | 重新下载并核对哈希 |
| 画面出现重复纹理 | 步数太低或采样器不合适 | 提高步数或换 DPM++ 2M |
5.2 几个我踩过的坑
第一个坑是 VAE 精度。SD1.5 自带的 VAE 在 fp16 下有时候会出问题，生成纯黑或者噪点图。解决办法是把 VAE 单独用 fp32 加载，或者换一个社区修复版的 VAE。这个坑很隐蔽，因为模型本身能跑，只是出图不对，新手很容易以为是提示词的问题。
第二个坑是内存泄漏。长时间连续生图，内存占用会慢慢涨上去，最后爆掉。我的做法是每跑十几张就重启一次进程，或者用脚本定期清理缓存。ComfyUI 在这方面做得比 WebUI 好一些，它会主动释放不用的张量。
第三个坑是模型切换。从一个模型切到另一个模型时，如果不彻底释放旧模型的内存，很容易叠加占用导致崩溃。我的习惯是切换模型前先del pipe再gc.collect()，虽然麻烦但稳。
提示：本地生图对系统资源的占用是实打实的，跑图的时候别同时开太多重型应用，尤其是浏览器开一堆标签页，内存会被抢得很厉害。
5.3 关于“不能商用”的实操建议
这一点我要单独强调。很多人在本地跑出图之后，第一反应是能不能拿去用。我的建议是：先查你用的模型和权重的许可证。SD1.5 的官方权重是 CreativeML Open RAIL-M 许可证，它对商用有一些限制条款，要求你遵守使用限制。社区微调的模型许可证各不相同，有的允许商用，有的明确禁止，有的要求署名。
如果你确实有商用需求，稳妥的做法是：只用明确标注允许商用的模型，保留生成记录和许可证副本，必要时咨询专业人士。不要想当然地认为“本地生成的就没问题”，许可证约束的是模型的使用，不是生成行为发生的地点。这一点我在做个人项目时一直很谨慎，宁可多花时间确认，也不给自己留隐患。
6. 后续可以怎么扩展
跑通基础流程之后，能玩的东西还有很多。ControlNet 可以让你用线稿、深度图、姿态图来控制构图，这对做设计的人来说非常实用。LoRA 可以用少量图片微调出特定风格或角色，社区里有大量现成的 LoRA 可以直接用。图生图、局部重绘、放大修复这些功能也都能在本地实现。
不过每加一个功能，内存和时间的开销都会上去。我的建议是先把基础文生图跑稳，再一个一个加，每次加完都测一下内存峰值和耗时，心里有数。Mac 本地生图这条路，速度上确实比不过独显机器，但它的隐私性、可控性和零边际成本，对特定人群来说价值很大。我自己用下来，最舒服的场景是晚上让它慢慢跑一批图，第二天早上来挑，完全不占用白天的工作时间。
最后分享一个小技巧：把常用的提示词、参数、种子整理成一个表格或者配置文件，每次生图直接调用，比每次手敲效率高得多。我现在的做法是维护一个 CSV，记录每次出图的完整参数和结果评价，积累下来就是自己的一个小型素材库，回头找图或者复现效果都很方便。
