完整题目
请详细说明Stable Diffusion v1、v2、XL、3以及SDXL-Turbo等主要版本在模型架构、训练数据、生成质量、推理效率和应用场景方面的关键差异，并分析其技术演进路径。
版本差异要按模型族与具体 checkpoint 说明
Stable Diffusion v1 以 Latent Diffusion 为基础，在 VAE 潜空间中使用 U-Net 去噪，并通过 CLIP 文本编码器提供条件。常见 v1.x checkpoint 以 512×512 为主要训练分辨率，但不同衍生模型的数据与许可不能混写。
Stable Diffusion v2 系列仍是潜空间扩散与 U-Net 路线，文本侧改用 OpenCLIP，但不同 checkpoint 的预测目标不能混写：512-base 使用标准 noise/epsilon-prediction；768-v 从 512-base 继续训练到 768×768，并采用 v-objective。v2 发布还包含深度条件、放大和修复等 checkpoint，因此既不能把整个 v2 系列统一说成 512 模型，也不能把 v-prediction 泛化为所有 v2 checkpoint 的共同训练目标。
SDXL 扩大 U-Net，使用双文本编码器、额外文本与尺寸条件，并提供 base 与可选 refiner，官方基线面向 1024×1024。Stable Diffusion 3 则改用 MMDiT，让文本 token 与图像 token 以各自权重交互，并采用 rectified-flow 训练框架。论文的 scaling study 训练了约 450M 到 8B 的模型；Stability AI 当时公布的初始发布规划则是 800M 到 8B。前者是研究缩放范围，后者是发布规划口径，不能混写，也不能把所有 SD3 都说成 8B。
SDXL-Turbo 是从 SDXL 蒸馏出的低步数模型，采用 Adversarial Diffusion Distillation，可在 1 到 4 步生成。官方模型卡建议 512×512；更高分辨率可以尝试但质量可能下降，而且模型卡明确说明不能稳定生成可读文字。显存、延迟和吞吐必须绑定 checkpoint、精度、分辨率、采样步数、batch 与硬件实测，不存在通用的 24GB 门槛。
继续追问 · 3 个问题
- SD3的DiT架构相比UNet的优势具体体现在哪里？
- SDXL-Turbo的蒸馏训练细节和潜在缺陷是什么？
- 如果要在移动端部署文生图，你会选择哪个版本并如何优化？
换一种问法，检查是否真正理解
场景切入
假设你要做一个电商海报生成的AI工具，用户既想要快速预览图，又要求最终出图质量高、文字清晰。市面上有Stable Diffusion v1、SDXL、SD3、还有Turbo版本，你怎么给业务方推荐？它们到底差在哪儿？
层层追问
从SD v1到SD3，Stable Diffusion的架构发生了哪些主要变化？……那SDXL的双模型级联设计是为什么？……到了SD3为什么又换成了DiT？……这种演进路径背后，你觉得根本的驱动力是什么？
直球架构
请系统比较Stable Diffusion v1、v2、XL、3和XL-Turbo在模型架构、训练数据、生成质量、推理效率和应用场景上的关键差异，并分析其技术演进路径。
练习口述回答 · 30秒速答 + 90秒主答 + 完整展开
- 按模型族和 checkpoint 区分版本
- 解释 U-Net 潜扩散到 MMDiT 的变化
- 说明 SDXL-Turbo 的低步数与能力边界
- 把数据、质量和硬件结论绑定公开证据
- 用统一工作负载比较部署成本
【30秒速答】 Stable Diffusion 的演进不能只按版本号背参数。v1 和 v2 都属于 VAE 潜空间里的 U-Net 扩散，v2 系列更换了 OpenCLIP 文本编码器，但 512-base 使用标准 noise/epsilon-prediction，768-v 才是从 base 继续训练并采用 v-objective。SDXL 扩大 U-Net，加入双文本编码器和尺寸条件，主要面向 1024 分辨率。SD3 改成 MMDiT 与 rectified flow，论文缩放实验覆盖约 450M 到 8B，官方当时公布的初始发布规划则为 800M 到 8B，两种口径不能混写。SDXL-Turbo 从 SDXL 蒸馏而来，重点是 512 分辨率与 1 到 4 步，不保证可读文字。显存和速度只能按具体模型与硬件实测。
【90秒主答】 v1 的关键不是“能画图”这一个结论，而是把扩散过程放进 VAE 潜空间，用 U-Net 预测去噪方向，再通过文本编码器做条件控制。常见 v1.x 权重围绕 512 分辨率训练。v2 沿用潜扩散主干，文本条件改为 OpenCLIP，但训练目标要按 checkpoint 区分：512-base 在 512×512 上采用标准 noise/epsilon-prediction；768-v 从 512-base 继续训练到 768×768，并采用 v-objective。发布物还包括深度、修复与放大版本，所以说“v2 就是 512”会把模型族和单个权重混在一起，把 v-prediction 写成整个 v2 系列的共同属性也同样不准确。SDXL 仍是 U-Net 路线，但网络更大，使用两个文本编码器，并把原始尺寸、裁剪位置和目标尺寸等微条件输入模型，通常由 base 直接生成，也可以再接 refiner。SD3 的技术路径不同，MMDiT 为文本和图像 token 保留不同参数并进行双向交互，训练目标采用 rectified flow。论文的 scaling study 从约 450M 扩到 8B；Stability AI 当时公布的初始发布规划是 800M 到 8B。研究缩放范围和发布规划分别回答不同问题，部署时还必须指出实际使用的 checkpoint。
【完整展开】 Turbo 的定位也要单独说。它通过 Adversarial Diffusion Distillation 把 SDXL 压到很少的网络评估次数，模型卡给出的典型范围是 1 到 4 步，并建议关闭传统 classifier-free guidance。官方重点分辨率是 512×512，尝试 768 或 1024 并不等于保持 SDXL 的画质，文生字也仍是公开限制。它适合交互草图、实时预览和低延迟创意工具，但不应因为速度快就宣称细节、文字与高分辨率都和 SDXL 相同。
训练数据同样要按公开材料说到边界。v1、v2 与 SDXL 的论文和模型卡披露程度不同，闭源或未完整公开的过滤规则不能自行补齐。质量比较要固定提示词、种子策略、分辨率、采样器与步数，分别看提示遵循、构图、文字、人像失败、安全和用户偏好。部署比较则记录权重精度、峰值显存、冷启动、单图延迟、吞吐与能耗。某张显卡能否运行还取决于 offload、量化、attention 实现和 batch，不能把一个测试环境写成全系列固定门槛。
【验证补充】版本对比还要锁定许可证与安全过滤。不同权重即使名字相近，也可能使用不同文本编码器、VAE、噪声目标和默认调度器。迁移应用时先读取对应模型卡，再做相同提示和人工盲评，不能把社区衍生权重的表现归给官方基础模型。