版本号这件事在 Stable Diffusion 圈子里最容易把人绕晕有人拿着 SD 1.5 的 LoRA 往 SDXL 上挂结果画面糊成一团有人照着 SD 1.5 的参数去跑 SDXL-Turbo4 步出图却是一片噪点还有人问“LDM 是不是比 SD 1.0 更老的一个模型”。这些困惑其实都指向同一件事——没弄清 LDM、SD 1.0、1.5、2.0、SDXL、SDXL-Turbo 之间的血缘关系。LDM 是一整套方法论的名字Stable Diffusion 是它的工程化成品后面的 1.x、2.x、XL、Turbo 则是同一套骨架在不同数据、不同组件、不同训练目标下的迭代结果。搞懂这条线你就能预判一个 LoRA 能不能用、一张 1024 的图该给多少显存、为什么换了版本提示词就像失灵了一样。这篇内容适合刚装好整合包准备折腾的新手也适合已经能出图但总在“版本兼容”上翻车的中级玩家。1. 先把家族树理清楚从 LDM 到 SDXL-Turbo 的版本谱系1.1 LDM 是方法论SD 只是它的一个成品Latent Diffusion Model 翻译过来叫潜空间扩散模型它是一篇论文提出的技术框架而不是某个可以下载的模型文件。像素空间的扩散模型比如早期的 DDPM直接在 512×512×3 的图片上做加噪和去噪每一步都要处理 78 万多个数值一步一次前向传播跑五十步就是五十次全尺寸计算代价大到普通人根本玩不动。LDM 的思路很聪明先训练一个自编码器Autoencoder把图像压到一个小得多的潜空间里再在这个潜空间上做扩散。压缩倍数是 8512×512×3 的图会被压成 64×64×4 的潜变量数值量从 78 万降到 1.6 万差不多是原来的五十分之一。去噪算完再用解码器把潜变量还原成像素图。理解这一层非常关键因为从 SD 1.0 一直到 SDXL-Turbo用的都是这套“编码—潜空间去噪—解码”的流程没有变过。也就是说这些版本之间不是“不同的技术”而是“同一套技术换了零件”。换的零件只有三个负责压缩和解压的 VAE、负责去噪的 U-Net、负责理解文字的文本编码器。你把这三个零件的版本搞清楚整个 Stable Diffusion 家族的关系就通了。这也是我为什么建议新手别急着背参数先把这条主线上每个零件的作用弄明白后面遇到任何新版本都能自己判断它变了什么。1.2 版本演进时间线每一步都在解决上一代的痛点2022 年 8 月SD 1.0 公开紧接着是 1.1、1.2、1.3、1.4 几个小版本主要是在数据和训练细节上做微调普通用户几乎感受不到差别。2022 年 10 月SD 1.5 由 RunwayML 发布训练步数大约 59.5 万步原生分辨率 512×512它在人像、写实风格上的表现明显好于 1.4于是迅速成了整个生态的事实标准直到今天仍有海量模型和 LoRA 基于它训练。这个版本的地位有点像手机里的“钉子户机型”不是最新但配件最多。2022 年 11 月和 12 月SD 2.0、2.1 相继发布最大的动作是把文本编码器从 CLIP ViT-L/14 换成了 OpenCLIP ViT-H/14还引入了 768×768 的原生分辨率和 v-prediction速度预测训练目标。这次换血本意是提升语义理解和画质但代价是老提示词和老 LoRA 全部失效社区反弹很大。2023 年 7 月SDXL 1.0 正式发布U-Net 参数量从 8.6 亿涨到 26 亿文本编码器变成双编码器原生分辨率提到 1024×1024还额外配了一个精修模型。2023 年 11 月SDXL-Turbo 用对抗蒸馏的方式把推理步数压到 1 到 4 步第一次让“打字即出图”的实时交互变得可行。1.3 为什么搞懂血缘关系比记版本号更有用最直接的收益是避免无效折腾。SD 1.5 的 LoRA 挂到 SDXL 上模型不会报错它会沉默地输出一张构图还在、细节全毁的图很多人以为是提示词写错了其实是从根上不匹配——两者的 U-Net 通道数和注意力维度都不同权重根本对不上号。VAE 也一样SD 1.x 的 VAE 解码 SDXL 的潜变量颜色会明显发灰发脏因为两者的潜空间分布压根不是一个坐标系。第二个收益是预算可控。同一张 1024 的图SD 1.5 硬撑 1024 分辨率会出现人物重影因为它的训练分布是 512而 SDXL 在 1024 上是原生舒服区。反过来SDXL 在 512 上出图会明显掉质量SDXL-Turbo 则反过来官方推荐就是 512。这些规律不是玄学全部来自训练时的分辨率分布。第三个收益是工作流可迁移ComfyUI 里的节点连接逻辑在不同版本间高度相似你只要换掉 checkpoint 加载节点和对应的条件编码节点其余采样、解码、后处理都能复用这就是“懂关系”省下来的时间。2. 拆开看原理三个零件决定了一个版本的性格2.1 VAE把图像塞进潜空间的压缩器VAE 全称变分自编码器它由编码器和解码器两部分组成。编码器把 512×512×3 的图压成 64×64×4 的潜变量解码器再把它还原回像素。这个 4 通道潜变量不是简单的缩略图它承载的是图像的结构、色彩分布和纹理统计信息人眼看它是一团彩色噪点但解码器能读懂。压缩比是 8 倍空间下采样通道上从 3 变 4所以实际数据量是原来的 1/48 左右这是 LDM 能跑在消费级显卡上的根本原因。VAE 的版本差异经常被忽视但它对最终画质的影响非常直观。SD 1.x 时代流行过 ft-EMA 和 ft-MSE 两个微调版 VAE前者细节更锐后者颜色更平。SDXL 的 VAE 在 fp16 精度下存在数值溢出问题早期有大量用户遇到出图变成纯灰或者出现 NaN后来社区提供了 fp16 修复版才解决。这里有个实用经验换 VAE 之前先备份换完固定一组种子和提示词做对比不要凭感觉说“好像变好了”颜色和细节的变化很容易被心理预期带偏。另外要注意VAE 不是越大越好也不是随便换就能提升画质。它只负责“把潜变量翻译成人眼能看的图”如果潜变量本身就是 U-Net 给出的糟糕结果再好的解码器也救不回来。很多人把出图发灰归咎于 VAE实际上多数是采样步数不足或者 CFG 设置过高导致的过曝这一点在后面对照排查时我会细说。2.2 U-Net真正干活的去噪主干U-Net 是 Stable Diffusion 里参数量最大的部分也是版本的“性格来源”。它的结构是经典的下采样—中间层—上采样配合跳连skip connection把浅层细节信息带回深层。每一层里都塞了残差块和注意力模块注意力负责让不同位置的像素互相“看见”从而保证全局构图一致。SD 1.5 的 U-Net 大约 8.6 亿参数SDXL 涨到约 26 亿这是 SDXL 显存占用高、出图慢的直接原因。注意力机制的计算量是平方级的这一点在理解分辨率为什么这么吃显存时特别重要。512 分辨率下潜变量是 64×64展平后 4096 个 token注意力矩阵是 4096 的平方约 1670 万个元素1024 分辨率下潜变量是 128×128展平后 16384 个 token矩阵变成 16384 的平方约 2.68 亿个元素整整涨了 16 倍。所以从 512 提到 1024不是“像素翻了四倍显存翻四倍”而是注意力部分翻了十六倍。明白这个数字你就知道为什么用 SD 1.5 硬跑 1024 会爆显存而 SDXL 原生 1024 反而要专门做显存优化。SDXL 在 U-Net 上还有两个工程改动值得记住。一是把注意力头数和解锁通道数都做了放大二是引入了 micro-conditioning也就是把原始尺寸、裁剪位置、目标尺寸作为额外条件喂给模型让它在构图时知道“我是在画一张竖图还是一张横图”。这个机制解释了为什么 SDXL 对宽高比的适应比 SD 1.5 好得多你用 832×1216 这种非正方形比例SDXL 也很少出现双头或者肢体拉长。2.3 文本编码器SD 2.0 翻车与 SDXL 双编码器的分水岭文本编码器的任务是把你的提示词变成一组向量让 U-Net 知道该往哪个方向去噪。SD 1.x 用的是 CLIP ViT-L/14参数量约 1.23 亿输出 77 个 token、每个 768 维的序列。它理解常见名词和风格词还行但对复杂句子、空间关系、多对象组合的处理比较粗糙这也是为什么 SD 1.5 时代大家写提示词要堆关键词长句子基本无效。SD 2.x 换成了 OpenCLIP ViT-H/14参数更大理论上语义理解更好。问题在于训练数据分布和 tokenizer分词器都变了导致 1.x 时代积累的海量提示词经验、LoRA、Textual Inversion 全部作废社区自然不愿意迁移。这件事的教训很实在技术指标提升不等于生态接受模型的价值有一半来自围绕它建立的工具链和素材库。SDXL 走了一条折中路线同时使用 OpenCLIP ViT-bigG/14 和 CLIP ViT-L/14 两个编码器把它们的输出在通道维度拼接还把 pooled embedding池化后的全局向量拼进时间步嵌入里。双编码器带来了约 8.17 亿参数的开销好处是既保留了 1.x 时代积累的 CLIP 语义理解能力又用大模型补上了复杂描述的短板。所以你会发现 SDXL 对长句、对“左边一只猫右边一杯咖啡”这类空间描述确实更听话代价是每次推理都要跑两个编码器加载时间变长。2.4 调度器与采样器同样的模型不同的“走法”调度器决定去噪的噪声衰减曲线采样器决定每一步怎么解这个微分方程。这两者不改变模型本身但极大影响出图速度和风格。常用的组合有 DDIM确定性强、适合复现、Euler a带随机性、细节丰富、风格多变、DPM 2M Karras收敛快、20 到 25 步就有好效果、DPM SDE Karras质感强但随机性大。很多新手抱怨“同样种子为什么两次出图不一样”八成是用到了带 anc 的采样器或者没锁死随机种子。到了 SDXL-Turbo 这类蒸馏模型采样器的选择逻辑就变了。它被训练成“一大步跨过整个去噪过程”步数必须设在 1 到 4 之间用默认的 20 步反而会把画面反复过曝成噪点。同时它不支持 CFG引导系数要设成 1.0 或者直接关闭否则会出现明显的色彩失真。这类“训练目标决定使用方式”的规律在版本迁移时最容易被忽略也是跨版本踩坑的重灾区。3. 各版本逐个体检SD 1.0/1.5/2.0/SDXL/SDXL-Turbo 到底差在哪3.1 SD 1.x512 分辨率上的生态王者SD 1.0 到 1.4 属于早期迭代架构一致主要差别在训练数据的清洗程度和训练时长。SD 1.5 是这条线里最成熟的一版595K 步训练、512×512 原生分辨率、CLIP ViT-L/14 编码器、U-Net 约 8.6 亿参数。它的优势不在画质而在生态ControlNet 几乎全部基于它训练LoRA 数量以万计各种二次元、写实、插画风格模型都以它为底座市面上流传的“模型包”里绝大多数也是这几个版本。它的短板同样明确。原生 512 意味着你直接跑 1024 会出现重复的人脸或者多出来的肢体因为模型没见过这个尺度下的构图分布。想放大得靠高清修复hires fix先出 512 再放大重绘或者外挂放大模型走 img2img。文本理解也比较弱超过 77 个 token 的内容会被截断写长提示词基本是浪费。不过对大多数日常需求——头像、壁纸、简单场景——它依然是性价比最高的选择一张 4GB 显存的卡就能跑得动。还有一个现实因素值得说清楚SD 1.5 的风格上限很大程度上由微调模型决定而不是底座本身。同一个底座换成素描画风格的微调模型配合 ControlNet 的线稿条件就能稳定输出铅笔素描效果换成二次元微调立刻变成日系插画。这种“底座提供能力微调提供风格”的分工是 1.x 生态繁荣的根本原因也是后面 SDXL 想要复制的东西。3.2 SD 2.0/2.1一次代价高昂的技术换血SD 2.0 的核心改动有三处文本编码器换成 OpenCLIP ViT-H/14、新增 768×768 原生分辨率变体、引入 v-prediction 训练目标还顺带发布了一个“美学子集”版本试图用数据筛选提升出图观感。单看技术账这些改动都是正向的语义理解确实变好768 分辨率下细节也更足。但生态账完全算不过来。编码器一换1.x 的所有 LoRA、Textual Inversion、ControlNet 全部不兼容用户积累的提示词模板也要重写。更麻烦的是 v-prediction 的模型需要配套的调度器设置采样器选错就会出灰图或者纯色块。社区最终的应对方式是“不迁移”SD 2.1 到现在都是存在感最低的一代。它反倒常常出现在排查案例里有人误把 2.1 的模型放到 1.5 的工作流里结果提示词完全不起作用画的还是噪声这种“版本放错目录”的问题我在社群里见过太多次。从 2.x 能得到一个很实际的判断标准一个新版本值不值得迁移不取决于它指标高多少而取决于你手上有多少资产绑在旧版本上。如果是个人零星出图迁移成本很低如果攒了几十个 LoRA 和成套工作流迁移就是一场工程。这个判断逻辑到 SDXL 出现时又重演了一遍只不过这次生态跟上了。3.3 SDXL双编码器加 26 亿 U-Net 的大跨越SDXL 1.0 的 U-Net 参数量约 26 亿文本编码器合计约 8.17 亿整个模型比 SD 1.5 大了三倍多原生分辨率 1024×1024。它的关键设计有四条双文本编码器解决语义短板、micro-conditioning 解决构图尺寸适应、多宽高比训练让非正方形出图不再畸形、精修模型Refiner负责第二阶段的细节增强。精修模型是可选的它会把基础模型出来的图重新加一点噪声再跑一遍低噪声阶段负责补细节和质感但显存开销和执行时间都会增加很多工作流干脆跳过它改用高清修复加放大模型替代。显存方面SDXL fp16 推理在 1024 分辨率下大概需要 8 到 10GB用 6GB 卡跑需要开显存优化选项速度会降到每张图好几分钟。分辨率上的脾气也很有意思1024×1024 是舒服区512×512 会明显变糊甚至出现结构崩坏832×1216、1216×832 这些比例则是官方训练过的甜点区。很多人以为“分辨率越低越快越好”在 SDXL 上这个直觉是错的低分辨率反而容易翻车。SDXL 的另一个变化是提示词写法可以更自然了。双编码器对长句、对形容词叠加、对风格描述的响应都比 1.5 柔和不再需要靠(masterpiece:1.3)这类权重堆叠硬拉质量。但权重语法仍然有效只是过高的权重更容易把画面拉爆我一般控制在 1.1 到 1.2 之间超过 1.4 经常出现颜色断层。3.4 SDXL-Turbo把 20 步压成 2 步的蒸馏思路SDXL-Turbo 基于 SDXL 1.0用对抗扩散蒸馏Adversarial Diffusion Distillation训练。通俗讲它请了一个“裁判”模型来判断生成的图是不是像真图同时让一个“学生”模型尝试用极少的步数去逼近“老师”模型花 20 步甚至更多步才能达到的结果。学生每走一步都要接受裁判的评分被推着往“一步到位”的方向走。最终它能在 1 到 4 步内出图在主流显卡上接近实时。它的使用方式和普通 SDXL 完全不同这几点必须记住。步数设 1 到 4超过 4 步画面会迅速恶化CFG 设 1.0 或者关闭因为它训练时就没有用无分类器引导开引导会破坏分布分辨率按官方推荐的 512虽然它是从 1024 的 SDXL 蒸馏来的但蒸馏过程在 512 上做你给 1024 反而容易出双头。有人问它能不能替代 SDXL答案是不能它牺牲了细节层次、文字渲染和复杂构图的控制力换来了速度。它的正确用法是配合 img2img 做实时草图和风格探索先用它快速试几十个构图选中之后再丢给标准 SDXL 精修。3.5 一张表看懂版本之间的参数差异版本发布时间文本编码器U-Net 规模原生分辨率推荐步数与 CFG显存参考fp16SD 1.0 至 1.42022.08 起CLIP ViT-L/14约 8.6 亿51220 至 30 步CFG 7 左右4GB 可跑SD 1.52022.10CLIP ViT-L/14约 8.6 亿51220 至 30 步CFG 7 左右4GB 可跑SD 2.0 / 2.12022.11 至 12OpenCLIP ViT-H/14约 8.6 亿512 / 76820 至 30 步CFG 7 至 95 至 6GBSDXL 1.02023.07OpenCLIP bigG CLIP L 双编码约 26 亿102425 至 30 步CFG 5 至 88 至 10GBSDXL-Turbo2023.11同 SDXL 双编码器约 26 亿5121 至 4 步CFG 1.06 至 8GB这张表的用法是倒着看先确定你的显存能承受哪一档再决定用什么版本而不是先选版本再想办法挤显存。很多人反过来操作结果在 6GB 卡上硬跑 SDXL 1024一张图要等五分钟体验极差。4. 落地实操不同版本的环境、参数与工作流怎么配4.1 硬件与显存预算怎么算显存占用大致分四块模型权重、激活值、注意力的中间矩阵、以及采样过程中的缓存。模型权重部分很好算fp16 下每 10 亿参数约占 2GBSDXL 合计约 34 亿参数权重就是 6.8GB 左右SD 1.5 约 10 亿参数权重约 2GB。激活值和注意力矩阵是随分辨率平方增长的部分也是真正让显存爆掉的原因。1024 分辨率下 SDXL 的峰值占用会到 10GB 上下这就是 8GB 卡要开优化选项的由来。实操建议是这样8GB 及以上显存SDXL 走 fp16 直接跑 1024不用开任何优化6GB 显存开中等显存优化把模型分块加载到显存速度损失大概三到五成4GB 显存老老实实待在 SD 1.5 的 512 分辨率或者用 SDXL-Turbo 跑 512它的步数少激活值峰值低反而比标准 SDXL 更容易跑得动。另外把 VAE 用 tiled 方式分块解码可以显著削掉解码阶段的峰值代价是速度慢一点但对大图比如 1536 以上几乎是必须开的功能。4.2 参数配置每个版本一套脾气参数没有万能组合但有可以照抄的起点。SD 1.5 上采样器用 DPM 2M Karras步数 25CFG 7分辨率 512×512需要大图就开高清修复放大倍数 2重绘幅度 0.4 到 0.5。SDXL 上采样器同样用 DPM 2M Karras 或者 DPM SDE Karras步数 25 到 30CFG 5 到 7分辨率直接 1024×1024 或者 832×1216。SDXL-Turbo 上采样器用 Euler a 或者 LCM步数 2 到 4CFG 1.0分辨率 512。关于 CFG有个常被误解的点它不是越高越“听话”。CFG 提高会强化提示词约束但同时会把潜变量的分布推离训练分布表现为颜色过饱和、边缘出现硬边、画面变“塑料”。SDXL 的合适区间比 SD 1.5 更低是因为 SDXL 本身语义跟随能力就强不需要靠 CFG 硬拉。我通常的做法是先用 CFG 5 出一张觉得不够贴合提示词再往上加 0.5一次加太多很难判断到底是哪一步出了问题。4.3 模型文件格式与目录结构怎么放模型文件主要两种格式.ckpt是 PyTorch 的序列化格式内部用 pickle理论上存在被嵌入恶意代码的风险.safetensors是后来推行的纯张量格式只存权重数据不执行代码加载也更快。现在下载模型优先选 safetensors尤其是从非官方渠道拿到的模型包。还有“完整版”和“剪枝版”的区别剪枝版去掉了训练用的优化器状态体积小很多推理效果一样只做推理的话直接用剪枝版。目录结构决定了你换模型时会不会手忙脚乱。以常见的 WebUI 布局为例models/ Stable-diffusion/ # 主模型 checkpoint VAE/ # 独立 VAE 文件 Lora/ # LoRA 权重 ControlNet/ # ControlNet 模型 embeddings/ # Textual Inversion 嵌入ComfyUI 的目录名不太一样主模型放在models/checkpointsVAE 放在models/vaeLoRA 放在models/lorasControlNet 放在models/controlnet。把 SD 1.5 的 LoRA 放进 SDXL 的工作流里ComfyUI 甚至不会报错它只是加载了一个形状对不上的权重然后静默跳过你看到的结果就是“LoRA 好像没生效”。养成按版本分文件夹的习惯比如loras/sd15/和loras/sdxl/能省掉大量排查时间。4.4 整合包、主界面与 ComfyUI 该怎么选对新手来说整合包是最快的入口它把运行环境、依赖、主界面、常用模型一次性配好解压就能用省掉了配置 Python 环境和依赖冲突的麻烦。需要注意两点一是整合包内置的模型往往不是最新的想用新版本还得自己补模型包二是整合包更新时不要直接覆盖原目录先在旧目录里导出自己的工作流和配置再装到新目录避免版本升级导致插件不兼容。我见过不少人的整合包更新后打不开原因就是旧插件和新版核心不兼容。主界面适合按部就班地出图参数可视化适合学习和调试单张图。ComfyUI 是节点式工作流前期学习成本高但一旦上手批量处理、多模型串联、条件组合的灵活性完全不是一个量级。像 InstantID 这种把人脸特征注入生成过程的技术在主界面里是个黑盒插件在 ComfyUI 里你能清楚看到人脸嵌入是怎么拼进条件向量的调试起来效率完全不同。我的建议是前两周用主界面把参数搞明白之后转 ComfyUI把每个版本的工作流各存一份模板切换版本时只改 checkpoint 和条件编码节点。4.5 一个可复现的跨版本对比流程想真正搞清版本差异最靠谱的办法是固定变量做对比实验同一个提示词、同一个随机种子、同一台机器只换模型。用 diffusers 库写个脚本标注清楚每个模型的版本特性import torch from diffusers import AutoPipelineForText2Image # SDXL-Turbo必须低步数、关闭引导 turbo AutoPipelineForText2Image.from_pretrained( ./models/sdxl-turbo, torch_dtypetorch.float16, variantfp16, local_files_onlyTrue, # 用本地模型包避免联网 ) turbo.to(cuda) image turbo( prompta pencil sketch of an old mountain village, line art, white paper, num_inference_steps2, guidance_scale1.0, # 蒸馏模型不要开引导 height512, width512, generatortorch.Generator(cuda).manual_seed(20240101), ).images[0] image.save(turbo_2step.png)标准的 SDXL 则要反过来设置from diffusers import StableDiffusionXLPipeline sdxl StableDiffusionXLPipeline.from_pretrained( ./models/sdxl-base, torch_dtypetorch.float16, variantfp16, local_files_onlyTrue, ) sdxl.to(cuda) image sdxl( prompta pencil sketch of an old mountain village, line art, white paper, num_inference_steps28, guidance_scale6.0, height1024, width1024, generatortorch.Generator(cuda).manual_seed(20240101), ).images[0] image.save(sdxl_28step.png)跑完把两张图并排看你会非常直观地感受到差异Turbo 在两步内给出了构图和大色块但线条细节明显缺失标准 SDXL 在 28 步下线条更连贯、纸张质感更真实。这种对比做上三五组不同主题你对每个版本的强项和短板的判断会比看任何测评都准。做实验时记得固定种子否则采样器的随机性会让对比结果失去意义尤其是 Euler a 这类带噪声的采样器。5. 常见问题与排查实录5.1 出图糊、结构崩、颜色发灰怎么定位先分层排除不要一上来就换模型。第一层看分辨率SD 1.5 跑 1024 出现双头、肢体重复是分辨率超出训练分布改成 512 再开高清修复。SDXL 跑 512 出糊图是分辨率不足改成 1024。第二层看步数和 CFG步数低于 15 容易出结构不全CFG 高于 10 容易出过饱和和硬边。第三层看 VAE颜色发灰、对比度低多半是 VAE 不匹配或者用了 fp32 权重配 fp16 推理换回匹配版本再测。第四层才是模型本身质量问题。有个特别好用的快速诊断方法把提示词砍到只剩一个名词比如只写 “a cat”用固定种子跑一张。如果这样还是糊那问题在参数或 VAE如果这样正常问题在提示词冲突或者权重堆叠过量。这个方法我用了很多次比逐项改参数快得多。还有一种情况是负面提示词里写了一大堆互相冲突的内容模型被反复拉扯画面就会变得“脏”负面词控制在五到八个词以内通常更好。5.2 版本混用的坑LoRA、VAE、ControlNet 不通用这三类资产各有各的兼容规则理清楚能省掉大量无效尝试。LoRA 必须和底座训练时的 U-Net 结构一致SD 1.5 的 LoRA 只能配 SD 1.5 系底座SDXL 的只能配 SDXL 系底座跨代使用会静默失效或者污染画面。VAE 必须和潜空间定义一致SD 1.x 的 VAE 不能给 SDXL 用SDXL 的 VAE 也不能给 1.5 用。ControlNet 也是按版本训练的1.5 有整套 ControlNetSDXL 的 ControlNet 数量少一些但核心的线稿、深度、姿态都有对应版本。SDXL-Turbo 还有一个特殊陷阱它和 SDXL 共享架构所以 SDXL 的 LoRA 在结构上是能加载的但因为在 1 到 4 步的极端条件下工作LoRA 的效果会被严重削弱经常表现为“风格变了但形不成完整画面”。想给 Turbo 加风格更靠谱的做法是用 img2img 加低重绘幅度而不是硬挂 LoRA。至于 InstantID 这类人脸一致性方案也要分版本选取对应的模型文件1.5 版和 SDXL 版的推理流程和依赖模型都不一样用错版本会直接报形状错误。5.3 爆显存与性能问题速查表现象可能原因处理方式加载模型时直接爆显存用了 fp32 权重换成 fp16 或 bf16 权重生成中途爆显存分辨率过高注意力矩阵过大降到 512 或 1024 原生分辨率开启分块注意力解码阶段爆显存VAE 解码峰值高开启 tiled VAE 分块解码出图速度突然变慢开了低显存模式权重反复在内存和显存间搬运显存够就关掉优化选项首次出图特别慢模型首次加载和执行图编译属正常现象预热一张即可Turbo 出图全是噪点步数或 CFG 设置错误步数改 2 到 4CFG 设 1.0这张表里最常被误判的是最后一条。很多人第一次用 SDXL-Turbo 沿用 SDXL 的 25 步和 CFG 7出来的图完全是彩色噪点于是怀疑模型文件损坏重新下载了好几次。实际上只要把步数压到 4 以下、引导关掉画面立刻正常。蒸馏模型和常规模型在参数语义上不是同一个体系迁版本时先查官方推荐的参数范围能避开一大半坑。5.4 模型来源与使用边界的几点提醒下载模型时优先去官方发布页或者有明确来源标注的社区尽量选 safetensors 格式避开来源不明的打包文件。模型包体积动辄几个 GB压缩包里塞额外内容的成本很低加载.ckpt时理论上存在执行异常代码的可能这不是危言耸听而是格式本身的特性决定的。文件名里带 “fixed”“fp16-fix” 这类后缀的一般是社区修复版用之前看一眼说明改了什么别盲目替换。另外要说清楚用途边界。模型训练数据来自公开网络图像生成结果在风格和内容上可能和已有作品相似商用时需要自己评估风险涉及真实人物肖像、商标、特定受保护内容的生成要更加谨慎。用 InstantID 这类技术做人脸一致性时最好只用于自己或已获得授权的素材别拿别人的照片做没经过同意的生成这条线守住了玩得久也玩得安心。我自己在这条版本线上折腾下来最大的体会是版本不是越新越好而是越匹配越好。随手记录参数、固定种子做对比、按版本给模型分文件夹、先看官方推荐的步数和引导范围再动手这四条习惯让我少走了特别多弯路。如果你现在还在用 1.5完全没必要焦虑它的生态厚度足够撑很久想上 SDXL先把显存和分辨率这两件事摸清楚再谈风格迁移。至于 Turbo把它当成一块快速草稿纸而不是主力生产工具用起来会舒服很多。