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。