STVP就是给模型写提示，比如要画一只猫，然后Stable Diffusion根据这个提示生成图片。两者配合用，先写文字再出图。

因为模型得先认得文字，才能变出对应图。比如Stable Diffusion有1.7亿参数，训练两个月才记住各种图片和文字的关系。数据越多，变图越准。训练时用1000万张图配1000万句描述，这样模型才懂"猫"和"四条腿"连着用。要是提示词写"穿红衣服的猫"，模型就知道要画穿红衣服的猫。但要是提示词乱写，比如"会飞的猫坐火箭"，模型可能就画成猫在云朵上飞。所以用对提示词，就像给模型指路，指对了才能到对的地方。