本文系统梳理了Stable Diffusion从1.5至3.5的全系列演进，深入解析了各版本的核心技术变革。内容不仅涵盖架构差异与模型特点，还提供了针对不同硬件的ComfyUI部署策略与优化方案，旨在帮助用户精准匹配模型与算力，实现高效的AI图像创作。
智能速览
SD 1.5以其低门槛和庞大生态成为黄金时代的基石。
SDXL通过双编码器和Base+Refiner架构确立工业标准。
SD 3.5采用Transformer架构，实现了文字生成和语义理解飞跃。
SD 1.5仅需4GB显存，而SD 3.5 Large需要24GB显存才能全速运行。
低显存用户可通过fp8量化或GGUF格式部署大型模型。
精华内容
从SD 1.5到3.5的演进，不仅是模型参数量的增长，更是架构、算力与创意边界的持续突破。深入了解每一代模型的核心变革，才能在硬件限制下获得最佳创作体验。
SD 1.5：低门槛基石
Stable Diffusion 1.5是开源AI绘画的奠基之作，其成功核心在于潜在扩散模型（LDM）和变分自编码器（VAE）的应用。通过将图像压缩至低维潜在空间，它实现了8倍压缩率，让一张512x512的图像在64x64的空间中处理，将计算成本降至消费级显卡可承受的水平。
这一设计使4GB显存的显卡也能参与AI创作。得益于对LoRA和ControlNet的完美兼容，SD 1.5构建了至今最繁荣的社区生态，成为二次元和低配用户的首选。
部署时，建议选用“pruned”版本以减小体积，分辨率固定为512x512，并使用euler_a或dpmpp_2m_karras采样器。
SDXL：工业标准确立
SD 2.x系列因更换文本编码器和严格的内容过滤而普及度不高。SDXL则通过技术逆袭，将开源模型质量提升至商业级别。其核心是双文本编码器策略，同时使用CLIP ViT-L/14和OpenCLIP ViT-bigG/14，兼顾了对“魔法词”的敏感性和复杂语义的理解力。
此外，Base + Refiner混合架构是其另一大亮点。Base模型负责构图，Refiner模型在最后几步进行细节“抛光”，显著提升了画面质感。Micro-Conditioning的引入则支持了原生1024x1024分辨率生成。
在ComfyUI中，实现SDXL最佳效果需串联两个采样器，Base完成前80%的去噪工作，并将保留的噪声传递给Refiner进行后续处理。
SD 3.5：架构革命
2024年，Stable Diffusion 3.5带来了颠覆性的架构革命，彻底抛弃了延续多代的U-Net，转向了多模态扩散Transformer（MMDiT）。这一变革允许图像和文本Token在更深层次上交互。
SD 3.5 Large（8B）引入了重达47亿参数的T5-XXL语言模型，使其具备了精准拼写文字的能力，终结了AI生成文字乱码的历史。同时，通过引入QK Normalization技术，SD 3.5 Large有效稳定了训练过程，解决了初期版本在解剖学上的缺陷，成为目前开源文生图领域的SOTA模型。
显存与优化策略
模型迭代伴随着对硬件要求的急剧攀升。SD 1.5的门槛是4GB显存，SDXL则需要8GB以上，而SD 3.5 Large的fp16权重高达16GB，全速运行需要24GB显存。
对于消费级显卡，量化技术是部署大型模型的关键。fp8量化可将SD 3.5 Large的体积缩减至约10GB，让12GB-16GB显存的显卡（如RTX 4070）能够流畅运行。而借鉴自LLM领域的GGUF格式，支持更低比特的量化，甚至能让8GB显存的用户也能体验8B模型。
此外，SD 3.5的采样策略也需调整，需使用ModelSamplingSD3节点，CFG Scale推荐设置为3.5-4.5，过高会导致画面“烧毁”。
Stable Diffusion的发展路径清晰地展示了从追求低门槛到树立工业标准，再到实现语义理解飞跃的过程。对于用户而言，选择合适的模型不仅是技术决策，更是成本与效果的平衡。未来，随着架构持续优化，更高效率、更强表现力的模型值得期待。
