Rectified Flow

1 3 秒看懂

Rectified Flow 是一种可训练的常微分方程(ODE)模型，它将图像、视频等复杂数据的生成过程约化为一条近乎笔直的概率路径。你可以把它理解成“给AI装上一个直通车方向盘”，让模型在极少步骤（甚至一步）内从噪声直接走向高清结果，比传统扩散模型反复“去噪”快一个数量级，却保持类似的生成质量。

2 3 分钟产业解释

Rectified Flow 由刘壮、谢赛宁等学者在 2023 年 ICLR 顶会上系统提出，主张用最优传输的直线思想重写生成模型的底层逻辑。

• 核心动机： 扩散模型（DDPM、Stable Diffusion 等）需要 20–1000 步迭代采样，推理慢、落地成本高。Rectified Flow 学习一个速度场，将噪声到数据的概率流“拉直”，理论上一次前向计算即可生成干净图像。
• 产业落脚点： 它不是一个全新架构，而是一个可与现有视觉骨干网络（DiT、U-Net）即插即用的训练范式。这极大降低了产业界迁移成本——不需要推翻已有工程积累，只需更换训练目标就能获得采样加速。
• 关键里程碑： 2024 年 2 月，Stability AI 发布的 Stable Diffusion 3 技术报告首次大规模验证了 Rectified Flow 路线在文生图方向的有效性，其 8B 参数模型在视觉质量、文字渲染方面取得突破，标志着该技术从学术研究正式进入主流产品管线。
• 产业链地图速览： 上游仍以 GPU 算力与数据为主；中游是框架开发者与模型实验室；下游涵盖创意工具、影视特效、电商营销和端侧推理等场景。与扩散模型相比，Rectified Flow 在端侧部署和实时交互领域的商业潜力被普遍看高一线。

3 技术原理

3.1 从扩散到直线流动

传统扩散模型模拟的是随机微分方程(SDE)，将图像逐步注入噪声，再学习一个逆向过程，其路径在高维空间中是蜿蜒的。而 Rectified Flow 建立在常微分方程(ODE) 之上，学习一个确定性的速度场 v(x_t, t)，使得数据点 x₁ 与噪声点 x₀ 之间的条件流动尽量沿着直线 x_t = t·x₁ + (1−t)·x₀ 进行。

直观上，如果能让速度场始终指向目标数据，那么沿时间积分时就不会绕路，从而允许更大的积分步长。

3.2 训练目标与拉直技巧

给定数据分布 p_data 与噪声分布 p_noise（通常为标准高斯），Rectified Flow 使预测的速度 v(x_t, t) 去匹配直线插值对应的真实方向 (x₁ − x₀)。训练损失为均方误差：

L(θ) = E_{x₀~p_noise, x₁~p_data, t~[0,1]} [|| (x₁ - x₀) — v_θ(x_t, t) ||²]

其中 x_t = (1−t)·x₀ + t·x₁。这一目标本质是学习从噪声到数据的条件期望速度。当模型第一次训练（1‑Rectified Flow）得到的路径仍可能存在轻微弯曲时，可以再基于生成的 (x₀, x₁) pair 进行第二次“重整流”（2‑Rectified Flow），进一步拉直轨迹。论文在 CIFAR‑10 上的 2‑RF 可将 FID 降至 2.44（DDPM 基线为 3.17），采样仅需 1~2 步。

3.3 与流匹配、一致性模型的关系

• 流匹配 (Flow Matching)： 同样基于 ODE 和直线路径，由 Y. Lipman 等人在 2023 年独立提出。Rectified Flow 可视为流匹配在条件最优传输线性路径下的特例。两者在目标函数上高度一致，社区常将 “Rectified Flow” 与 “Flow Matching” 混称。
• 一致性模型 (Consistency Model)： 由宋飏等人提出，直接学习任意时刻点到数据原点的映射，实现一步生成。Rectified Flow 因保留了速度场积分，在少步采样时可通过更精细的 ODE solver（如 Euler、Heun 方法）折中质量与速度，灵活性更高。

3.4 代表实现

• 原始实现： 刘壮等开源的 PyTorch 代码库（GitHub: gnobitab/RectifiedFlow）。
• 集成库： Hugging Face diffusers 库自 0.24.0 起内置 FlowMatchEulerScheduler，可直接加载基于 Rectified Flow 的社区模型。
• 工业级实现： Stable Diffusion 3 的 sd3_medium.safetensors 等权重，内部使用 MMDiT 架构与 Rectified Flow 训练，对应的采样器为 FlowMatchEuler。

4 关键参数

在比较生成模型效率时，业界关注以下几个核心指标。截至 2024 年第三季度，各模型公开报告的数据如下（注意测试集与评估口径差异）：

4.1 采样步数(NFE, Number of Function Evaluations)

指生成单张图像所需的神经网络前向次数。

• 传统扩散模型： DDPM 通常 1000 步；DDIM 加速至 50–250 步；Stable Diffusion XL 默认 50 步。
• Rectified Flow 变体（1‑RF / 2‑RF）： 在 CIFAR‑10 上可实现 1–2 步生成；在 ImageNet 256×256 上，2‑RF 搭配 Heun 二阶求解器可在 1 步评估(1 NFE) 取得 FID 3.74（来源：Rectified Flow 论文，ICLR 2023）。
• Stable Diffusion 3 (Rectified Flow 训练)： 官方推荐 28 步可在消费级 GPU 上获得高质量 1024×1024 图像；若降到 4–8 步，仍能保持可接受的视觉质量，但文字准确率可能下降（来源：SD3 技术报告，2024）。

4.2 图像质量(FID, FID_CLIP, CLIP Score)

• CIFAR‑10（无类别条件）： Rectified Flow 2‑RF 单步 FID 为 2.44，优于 DDPM 的 3.17 和 StyleGAN2‑ADA 的 2.92（来源：原论文 Table 1）。
• ImageNet 256×256 类别条件生成： 基于 DiT‑XL/2 骨干的 Rectified Flow 在 1 NFE 下 FID 达 3.74，而相同骨干的扩散模型需 250 NFE 才能达到可比质量（来源：原论文 Section 5.2）。
• 自然语言文生图： SD3 在 GenEval 基准上 8B 模型整体得分 0.74，优于 DALL‑E 3 (0.67) 和 Midjourney v6 (0.66)，且文字渲染准确率显著领先（来源：SD3 技术报告，2024）。这些分数反映 Rectified Flow 并未因采样加速而牺牲质量。

4.3 模型规模与推理延迟

• 模型参数： SD3 提供 800M 到 8B 参数多个版本。800M 模型在 RTX 4090（24GB）上 28 步生成 1024×1024 图耗时约 5.5 秒；4 步生成仅需 1.2 秒左右（来源：社区实测，公开资料整理，无统一基准）。
• 与扩散模型对比： 同等质量下，Rectified Flow 推理延迟约为 SDXL（50 步）的 1/5 至 1/8，成本优势明显。

4.4 训练效率

Rectified Flow 的训练每 iteration 计算量与扩散模型基本持平（均需预测噪声或速度），但由于往往需要更少的微调步数即可达到收敛，壁钟时间可能缩短。然而，SD3 大规模训练报道使用了数千块 H100，训练成本仍然极高，具体对比数据未见公开披露。

5 技术路线

5.1 路线图谱

主流高效生成范式可归为以下几条路径：

5.2 Rectified Flow 的技术卡位

当前产业界选择 Rectified Flow 而非纯蒸馏路线的关键原因在于 “原生少步、无需教师模型” 。蒸馏依赖已有的高质量多步模型作为教师，而 Rectified Flow 端到端训练，灵活度更高。Stability AI 在 SD3 中选择了 Rectified Flow + DiT 的组合，代表了大厂对该路线在高分辨率文生图方向上的战略下注。

5.3 路线争议与共存

部分研究者认为加速扩散求解器（如 DPM‑Solver++）在 15‑20 步时已经非常成熟，Rectified Flow 在 >10 步场景下有限步数优势不突出。但在极低步数(1‑4 步)和端侧场景，Rectified Flow 潜力更大。可见的未来，多条路线将共存，而 Rectified Flow 在实时视频生成、交互式设计等对延迟敏感的领域可能占据领先。

6 上游

6.1 算力基础设施

训练大规模 Rectified Flow 模型需要数千张高性能加速器。例如，Stability AI 在训练 SD3 早期版本时，据称使用了 AWS 和合作伙伴提供的 H100 集群（来源：Stability AI 博客，2024）。公开资料未见专门针对 Rectified Flow 优化的计算芯片；目前英伟达A100、H100 以及 AMD MI300X 是通用选择。训练成本依然集中在 GPU 云租赁或自建集群，黑芝麻、摩尔线程等国产 GPU 对混合精度训练和 Attention 加速的支持尚在适配中。

6.2 数据供给

• 训练数据集： SD3 使用了大规模图文对，包括公开的 LAION、CC 以及合成数据。Stability AI 声明致力于授权来源，但具体数据集的完整构成和版权清册未公开。
• 数据预处理： 涉及图像分辨率调整、文本清洗、美学评分过滤等。Rectified Flow 对数据质量要求与扩散模型类似，未产生额外数据格式需求。
• 版权与合规成本： 2023–2024 年，Getty Images 诉 Stability AI 等案件凸显训练数据版权风险。未来高质量、合法授权的数据集采购将成为上游壁垒。数据标注服务商（如 Scale AI、Appen）提供视频描述与过滤服务，但并未出现专门的 Rectified Flow 数据服务。

6.3 开发框架与模型库

• 深度学习框架： PyTorch 占据绝对主导，SD3 即采用 PyTorch 实现。
• 专用库： Hugging Face diffusers、NVIDIA NeMo 等提供调度器、加速工具。diffusers 中的 FlowMatchEulerScheduler 大大降低了模型推理与微调门槛。
• 硬件优化库： TensorRT、OneFlow、vLLM（文生图方向）对 Attention 和卷积的融合优化可进一步提升 Rectified Flow 的推理吞吐。

7 下游

7.1 创意与设计工具

• Adobe Firefly： 已深度嵌入 Photoshop、Illustrator，支持文字生成图像、矢量重绘。尽管未公开底层模型细节，但 Adobe 在 2023 年 MAX 大会提到持续优化生成速度，可能吸收流匹配思想。
• Canva、稿定设计、美图等： 内置的 AI 生图功能正由传统扩散模型向更高效的架构迁移。美图自研 MiracleVision 奇想智能大模型在 2024 年版本中显著提升了生成速度，部分归因于蒸馏和流式架构（来源：美图公司 2024 年中期业绩演示材料，未直接点名 Rectified Flow）。
• 游戏与影视资产生成： 场景概念图、纹理材质等需要快速迭代，单步或4步生成极大缩短“想象-验证”循环时间。

7.2 视频生成与编辑

• Runway Gen‑2/Gen‑3、Pika、Moonvalley 等： 视频生成对推理步数极度敏感。Rectified Flow 或蒸馏流匹配有望将时长相较长的视频生成成本压低数个量级。截至 2024 年 9 月，Runway 公开的技术细节较少，但其研究副总裁曾提及关注流匹配范式（来源：Runway Research 博客，2024 年 3 月）。公开资料未见其明确宣布采用 Rectified Flow。
• Kuaishou Kling、字节跳动 Dreamina 等： 国内视频生成产品处于爆发期，追求更低延迟、更高画质。公开技术报告未披露选型，但业界交流显示对 Rectified Flow/流匹配的调研热度极高。

7.3 端侧应用与边缘计算

• 手机端生图： 高通、联发科等芯片厂商在推广端侧 Stable Diffusion 方案（如高通 AI Stack 演示），当前多用蒸馏或扩散小模型。Rectified Flow 原生少步特性天然适合端侧 NPU 加速。多家手机厂商（未见公开确认）或在未来旗舰机植入便捷生图功能时纳入该架构。
• 智能座舱与IoT： 实时交互生成 AI 助手、手势驱动图像生成等场景预期受益。

7.4 API 与模型即服务(MaaS)

• Stability AI 的 Stability Platform、Replicate、OctoML、Together AI 等提供托管式图像生成 API。Stable Diffusion 3 API 使用 Rectified Flow 调度器，按步数收费，少步生成大幅降低用户费用，提升利润率。
• 开源生态： Hugging Face 上已有数百个基于 SD3 微调的社区模型，涵盖动漫、摄影、产品设计等风格，形成长尾应用市场。

8 受益公司

仅梳理技术卡位、业务相关性，不做任何价值判断与投资建议。

• Stability AI（英国/美国） 核心关联： SD3 架构选型者、开源先行者。 财务状况： 2023 年媒体估计收入约 4,0005,000 万美元，主要来自 API 及会员订阅；2024 年获新一轮融资，投后估值约 1.5 亿2 亿美元（来源：The Information 2024 年 6 月报道，公司与投资方未官方确认）。SD3 的发布增强了其技术竞争力，但公司仍处于亏损扩张期。
• Adobe（美国） 核心关联： 旗下 Firefly 系列产品受益于高效生成技术。 财务状况： 2023 财年（截至 2023 年 12 月 1 日）总收入 194.09 亿美元，数字媒体分部 141.3 亿美元，同比增长 11%（来源：Adobe 2023 年年报）。生成式 AI 直接收入未单独披露，管理层在电话会议中表示 AI 功能提升了用户粘性与付费率。
• Runway（美国） 核心关联： 视频生成先驱，潜在流匹配路线采用者。 财务状况： 2023 年 6 月完成 1.41 亿美元 C 轮融资，估值约 15 亿美元（来源：PitchBook）。2024 年 7 月推出 Gen‑3 Alpha，付费用户与 API 收入未见公开披露。
• Midjourney（美国） 核心关联： 顶级图像生成服务，对前沿加速方法敏感。 财务状况： 未公开募资，据 The Information 2023 年 8 月报道其年化经常性收入约 3 亿美元，利润率极高，团队精炼。未披露技术路线细节。
• 国内潜在关联方 美图公司： 自研视觉大模型与高效架构持续迭代，2023 年净利润约 3.7 亿元人民币，图像与设计产品收入同比增长显著（来源：美图 2023 年报）。 百度、阿里巴巴、字节跳动： 云上提供文生图 API，可用高效推理方案。内部模型可能在效率派生的流匹配技术上有所整合，但无公开官方说明。 MiniMax、智象未来等生成式 AI 初创： 视频和图像生成赛道活跃，对采样加速存在天然需求，技术选型未见披露。

9 市场规模

公开资料未见专门针对 “Rectified Flow” 的独立市场规模统计。以下引用其所在的生成式 AI 整体市场与高效图像/视频生成细分相关估算，以反映潜在土壤。

• 全球生成式 AI 市场： 据 Bloomberg Intelligence 2023 年 6 月报告，2022 年市场规模约 400 亿美元，预计 2032 年将达到 1.3 万亿美元，复合年增长率约 42%。该口径涵盖文本、图像、视频、代码等生成模型及基础设施。
• 文生图/视频市场： 据 Grand View Research 2024 年 2 月发布的报告，2023 年全球 AI 图像生成市场规模约 3.5 亿美元，预计 2030 年达 9.5 亿美元（CAGR 约 15%）。该数字可能低估，因许多图像生成功能以集成方式免费提供，商业模式正在形成。
• 模型推理效率优化的间接估算： 如果未来 3–5 年图像/视频生成推理成本有 30%–50% 来自采样加速技术（如 Rectified Flow、蒸馏等），则可拉动数十亿美元的算力节约与新增实时生成场景收入。无确切来源，仅供定性参考。
• 中国市场： 据赛迪顾问 2024 年 4 月《中国生成式 AI 产业发展白皮书》，2023 年中国生成式 AI 市场规模约 152 亿元人民币，增速快于全球，主要受互联网、金融、零售应用驱动。高效生成模型是其底座技术，直接份额无数据。

重要提示：上述预测均基于扩散模型主导时期的研究，随 Rectified Flow 类技术渗透率提升，可能推动市场超预期扩容。

10 玩家对比

10.1 技术方案对比

10.2 生态与商业路径差异

• 开源生态派： Stability AI 和 Hugging Face 社区推动 Rectified Flow 快速渗透，任何开发者都可以基于 SD3 微调，形成“技术普及红利”。
• 闭源平台派： Midjourney, Adobe, OpenAI 重视端到端产品体验，可能在后台使用流匹配但不对外开放细节，以保持差异化与安全管控。
• 学术前沿派： Meta、斯坦福、NYU 等继续发表流匹配和 Rectified Flow 变体，铺垫下一代方法。

10.3 中国玩家评估

截至目前，国内尚未出现宣布主模型完全基于 Rectified Flow 的商业案例，但技术跟踪与复现能力强劲。北大、清华、上交、中科大等已有多篇流匹配相关论文；产业界更多以蒸馏和混合架构渐进式探索。从开源影响力来看，中国团队暂未贡献比肩 SD3 体量的 Rectified Flow 开源基座模型。

11 风险

11.1 技术替代风险

流匹配领域发展极快。Consistency Models、连续时间一致性、多重整流（3‑RF, ∞‑RF）以及更先进的蒸馏方法可能在 2025–2026 年提供更优的生成质量与速度折中。Rectified Flow 可能被后续改进版本快速吸收或替代，早期押注单一技术栈的公司面临沉没成本。

11.2 知识产权与法律风险

训练数据集侵权诉讼（如 Getty Images vs. Stability AI、艺术家集体诉讼）正在进行中。若法院裁决要求删除侵权数据训练的模型，无论模型采用何种架构（包括 Rectified Flow），都可能被迫重训或支付巨额赔偿。这会影响所有基于此范式的下游应用。

11.3 深伪与内容滥用

单步或少数几步生成极大降低了制作换脸视频、虚假新闻的实时计算门槛。监管压力可能引起更严格的合规要求（如数字水印、内容审核），增加部署成本。欧盟 AI 法案、中国《生成式人工智能服务管理暂行办法》均对生成内容提出可识别和可追溯要求。

11.4 商业化与估值

• 虽然模型开源和 API 服务火热，但消费者付费意愿尚未充分验证。Stability AI 的频繁管理层变动和收入压力反映出商业化困难。高效生成可能进一步压低单张图像成本，导致价格战，影响利润。
• 资本市场对生成式 AI 的热情若降温，相关初创公司估值可能大幅回调。Rectified Flow 概念股并非独立存在，无法对冲板块情绪。

11.5 可控性与“黑箱”

尽管路径变直，精确空间控制（如将钟表指针精确指向 10:10）仍具有挑战性，尤其一步生成时可控粒度可能下降。这限制其在工业设计、医学影像等可靠精度场景的应用。

12 误读纠偏

误区一：“Rectified Flow 是一种全新的模型架构，和扩散模型完全不同。” 事实：Rectified Flow 是一种训练范式与采样框架，可套用在现有的 U‑Net 或 DiT 神经网络骨干上。它与扩散模型共享大部分模块，区别在于损失函数与 SDE/ODE 的选择。因此，称为“改进的扩散模型训练法”更准确。

误区二：“Rectified Flow 就是 Flow Matching，两个完全一样。” 事实：两者数学内核高度重叠，均优化直线条件概率路径，但在早期论文中，Rectified Flow 侧重通过“重整流”递归拉直，Flow Matching 更强调统一条件流框架。实践中开发者往往混用术语，但严格学术定义有微妙差异。

误区三：“用了 Rectified Flow 就可以一步生成，而且质量永远好于扩散模型。” 事实：一步生成依赖网络强大容量且可能导致伪影。实际应用中 SD3 仍推荐 28 步获得最佳品质，1‑4 步生成在极小模型或特定场景下尚显粗糙。步数与质量依然是折中关系，只是相同质量所需步数大幅降低。

误区四：“国内公司若未宣称用 Rectified Flow，就意味着他们没有跟进。” 事实：多数公司不会公开模型内部训练范式，可能在自研系统中吸收流匹配思想，但出于技术保密或专利原因选择不强调名词。仅凭公开披露无法断定其未采用。

误区五：“Rectified Flow 只在学术上有意义，与普通开发者无关。” 事实：HuggingFace diffusers 仅需数行代码即可加载 SD3 并使用 FlowMatchEuler 调度器，门槛极低。任何熟悉 Stable Diffusion 的开发者都可以立即体验并微调，价值已落地。

13 最新事件

（信息截至 2024 年 9 月，聚焦 Rectified Flow 相关的产业推进）

• 2024 年 2 月： Stability AI 发布 Stable Diffusion 3 技术报告与早期预览，首次在旗舰产品线采用 Rectified Flow + MMDiT 架构，引发社区对“拉直生成流”的热烈讨论。
• 2024 年 6 月 12 日： Stability AI 正式开源 SD3 Medium（约 2B 参数），权重托管 Hugging Face，使用 FlowMatchEulerScheduler ，并提供详细指引。大量开发者立即基于此进行 LoRA 适配，生态快速膨胀。
• 2024 年 7 月： 在 ICML 2024 Workshop 上，包括刘壮在内的多位学者演示了 Rectified Flow 在 4K 超高分辨率文生图和视频生成的初步结果，显示出在巨大分辨率下直线流动对内存和延迟的友好性。
• 2024 年 8 月： HuggingFace 推出 diffusers 0.30.0，提升 FlowMatch 相关调度器的数值稳定性和多 GPU 推理支持。许多第三方在线生成平台（如 Tensor.Art, SeaArt）已上线 SD3 工作流。
• 2024 年 9 月（预测/传闻）： 多家国内手机厂商在开发者大会中提到“端侧文生图延迟降至 1 秒以内”，业界推测背后可能有流匹配或一致性模型的支持，但官方未确认。
• 法律动向： 美国加州法院仍在审理与 Stable Diffusion 训练数据的版权案件，2024 年 7 月口头辩论未当庭裁决。这一定时炸弹可能影响 SD3 以及所有基于同一数据衍生的 Rectified Flow 模型。

14 跟踪指标

要持续掌握 Rectified Flow 产业的真实进展，建议关注以下量化与事件指标（月度/季度跟踪）：

1. Hugging Face SD3 空间下载量与模型点赞数： 直接反映社区采用热度。可以通过 Hugging Face 模型卡（stabilityai/stable-diffusion-3-medium）观察趋势。
2. Stability AI API 定价与图像生成步数建议： 如果 API 促销进一步降低步数推荐（如从 28 降到 20 以下），说明算法迭代提升了极低步数质量。
3. 学术论文中的 SOTA 指标： 关注 NeurIPS, ICML, CVPR 2025 上 Rectified Flow/流匹配在 FID、CLIP Score、用户偏好胜率等方面的表现，特别是与一致性模型、蒸馏方法的比拼。
4. Runway、Pika、Midjourney 的版本更新日志与步数推断： 每次新模型推出，社区都会逆向测试其生成延迟和可能步数，间接判断底层技术路线。
5. 手机与芯片厂商合作公告： 高通骁龙峰会、联发科天玑开发者大会等是否有“原生支持流匹配架构”的软件栈或算子优化发布。
6. 数据版权诉讼关键节点： 美国、欧盟关于训练数据合理使用的终审判决，将深刻影响全行业。
7. 中国公司招股书或技术白皮书： 留意独角兽企业（如智谱、MiniMax、月之暗面）在上市文件中提及的模型效率改进方案，有无 Rectified Flow 相关字眼。
8. diffusers 库 FlowMatch 相关 Issue、PR 活跃度： 开发者社区活跃程度是技术生命力的先导指标。

15 信源

1. Liu, Z., Xie, S. et al. “Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow.” ICLR 2023.
2. Lipman, Y., Chen, R. T. Q. et al. “Flow Matching for Generative Modeling.” ICLR 2023.
3. Esser, P., Kulal, S. et al. “Scaling Rectified Flow Transformers for High-Resolution Image Synthesis.” arXiv preprint arXiv:2403.03206, 2024 (Stable Diffusion 3 技术报告).
4. Stability AI 官方博客：stability.ai/news/stable-diffusion-3 (2024 年 2 月、6 月).
5. Hugging Face diffusers 文档：huggingface.co/docs/diffusers/main/en/using-diffusers/schedulers（FlowMatch 章节）.
6. The Information: “Midjourney, Runway and the AI Image Wars” (2023 年 8 月).
7. PitchBook: Runway 融资记录 (2023 年 6 月).
8. Adobe Inc. 2023 Annual Report (FY ended Dec 1, 2023).
9. Bloomberg Intelligence: “Generative AI Market Opportunity” (2023 年 6 月).
10. Grand View Research: “AI Image Generator Market Size, Share & Trends Analysis Report, 2024–2030.”
11. 赛迪顾问: 《2023–2024 年中国生成式 AI 产业发展白皮书》 (2024 年 4 月).
12. 美图公司 2023 年度业绩公告 (2024 年 3 月).
13. 中国《生成式人工智能服务管理暂行办法》 (2023 年 8 月 15 日施行).
14. GitHub 开源仓库: gnobitab/RectifiedFlow, huggingface/diffusers.
15. Getty Images (US), Inc. v. Stability AI, Inc., Case 1:23-cv-00135 (D. Del.) – 法庭文件.

声明：本概念页仅为技术梳理与信息聚合，不构成任何投资、商业或法律建议。所有财务与市场数据均引用公开披露来源与行业研报，尽量注明年份与口径。无法确认的细节已注明“公开资料未见”或“未经官方确认”。