SDXL（Stable Diffusion XL）

是什么

SDXL（Stable Diffusion XL）是 Stability AI 以 Stable Diffusion 之名发布的文生图（text-to-image）扩散模型。2023 年 7 月 26 日，Stability AI 正式公布 SDXL 1.0，此前曾以仅限研究用途的方式小范围放出 SDXL 0.9。^[1]

扩散模型生成图像的过程，是从一团噪声出发反复去噪，每一步都由文字提示引导，最后得到一张图；去噪步数的多少，直接决定生成要花多久。

SDXL 由两部分组成：一个 35 亿（3.5B）参数的基础模型，和一个 66 亿（6.6B）参数的组合流程（ensemble pipeline），后者中的一个精修模型（refiner）负责补充细节。基础模型也可以单独使用。^[1]

技术设计

2023 年 7 月 4 日提交到 arXiv 的 SDXL 论文写道，模型的 UNet 主干比早先的 Stable Diffusion 模型大三倍，并增加了第二个文本编码器。^[2] 论文还引入一个精修模型来提升样本的视觉保真度，并让模型在多种长宽比上训练。^[2]

SDXL 原生以 1024×1024 分辨率生成，设计上可以在显存 8 GB 的消费级显卡上运行。^[1]

发布、授权与入口

SDXL 1.0 以 CreativeML OpenRAIL++-M 许可证发布，权重和代码放在 GitHub 上。^[1] 发布时可以通过 Clipdrop、Stability AI 平台 API、Amazon SageMaker、Amazon Bedrock、DreamStudio 和 Stable Foundation Discord 使用。^[1]

官方说法

Stability AI 称 SDXL 1.0 是「最好的开源图像生成模型」，依据是偏好数据；并表示它在手部、文字和空间构图上处理得更好，需要的提示词也更短。^[1] 这些是公司随发布一同给出的自家比较结论。

SDXL Turbo

2023 年 11 月 28 日，Stability AI 公布 SDXL Turbo，这是 SDXL 的蒸馏版本，一步就能出图。^[3] 它背后的方法是「对抗扩散蒸馏」（Adversarial Diffusion Distillation，ADD），把分数蒸馏与对抗损失结合起来。^[4] Turbo 把所需的采样步数从 50 步降到 1 步。^[3]

Stability 报告称，SDXL Turbo 在 A100 上生成一张 512×512 图像只需 207 毫秒；在盲测中，Turbo 的一步效果优于 LCM-XL 的四步。^[3] 它以非商业研究许可证发布，并在 Clipdrop 上提供演示；Stability 表示 Turbo 当时尚不打算用于商业用途。^[3]

在系列中的位置

在 Stable Diffusion 这条线上，SDXL 1.0 把这一代的形态定下来：基础模型加一个独立的精修模型、原生 1024×1024 输出、以 OpenRAIL 许可证开放权重。^[1][2] 几个月后的 SDXL Turbo 则朝相反方向走，把几十步采样压缩到一步，代价是只以研究许可证开放。^[3]