stability-ai/sdxl（Stable Diffusion XL）是 Stability AI 于 2023 年 7 月发布的开源文本到图像生成模型，作为 Stable Diffusion 系列的重大升级，是目前主流且强大的开源图像生成模型之一。

一、核心特点

1. 原生高分辨率
   • 基础输出 1024×1024 像素（前代为 512×512）。
   • 支持直接生成多种宽高比，如 1024×1792、1792×1024。
2. 更强的模型架构
   • 更大的 U-Net：参数量约 3.5B（前代约 0.86B）。
   • 双文本编码器：CLIP ViT-L/14 + CLIP ViT-bigG/14，文本理解与提示词遵循度显著提升。
   • 专用 Refiner 模型：Base 生成后可通过 Refiner 精修，提升细节、光影与质感。
3. 生成质量飞跃
   • 具备更逼真的光影、色彩、对比度。
   • 人体结构表现更优，减少畸形、多肢等问题。
   • 图像内文字可读性有所增强，在 AI 绘画中较为少见。
   • 提示词使用更简单，短句即可生成高质量图像。

二、主要功能

• 文生图 (Text-to-Image)：输入描述生成全新图像。
• 图生图 (Image-to-Image)：基于参考图修改风格/内容。
• 局部重绘 (Inpainting)：在图上指定区域填充/修改。
• 扩图 (Outpainting)：向四周扩展画面内容。

三、技术与使用

• 开源：可在 Hugging Face 下载并本地部署，需 NVIDIA GPU，建议显存≥10GB。
• 生态丰富：支持 LoRA、ControlNet、各类微调模型，兼容 Automatic1111、ComfyUI、InvokeAI 等主流工具。
• 云端可用：DreamStudio、Replicate、AWS Bedrock 等平台提供 API 服务。

四、版本迭代

• SDXL 0.9：预览版（2023.6）
• SDXL 1.0：正式版（2023.7）
• SDXL 1.0 Refiner：配套精修模型

五、与前代模型对比

【OpenAI】获取OpenAI API Key的多种方式全攻略：从入门到精通，再到详解教程！

六、主要缺点与局限性

1. 硬件与效率问题
   • 显存占用极高，最低 8GB 显存勉强运行，流畅使用推荐≥12GB，Base + Refiner 完整流程更易占用大量显存，10GB 以下易爆显存。
   • 生成速度比 SD 1.5 慢 1.5–2 倍。
2. 细节与结构缺陷
   • 手部/人体仍不稳定，复杂姿势下仍易出现多指、少指、扭曲、融合等问题。
   • 文字生成能力极差，几乎无法生成清晰可读文字，多为乱码或符号。
   • 微细节易模糊，精细纹理、机械结构、微小物体常出现模糊、丢失情况。
   • 空间逻辑理解较弱，难以处理复杂物体位置关系。
3. 生成质量不稳定
   • 专为 1024×1024 训练，512×512 分辨率下出图质量大幅下降。
   • 使用 Refiner 后易出现画面发灰、饱和度低、对比度弱的问题。
   • 多人或复杂构图时易出现五官扭曲、人物重叠、比例失调。
   • 卡通、插画、二次元风格兼容性一般，易偏向写实且画面显脏旧。
4. 使用门槛较高
   • 提示词仍存在一定“玄学性”，精准控制需复杂 Prompt。
   • 步数、CFG、采样器、精修时机等参数敏感，设置不当影响出图效果。
   • LoRA 及微调模型生态碎片化，兼容性较差，易出现风格撕裂问题。
5. 其他局限
   • 训练数据包含版权内容，存在版权风险，同时存在性别、种族、职业等刻板印象与偏见。
   • 难以实现极致的光影、材质与物理真实感。

总结

SDXL 是开源 AI 绘画的标杆级模型，在画质、细节、提示词友好度上全面领先前代，适合艺术创作、设计、内容生产等场景；但在手部结构、文字生成、微细节、生成速度与显存占用上仍存在明显不足，不适合高精度工业、精准文字、严格人体结构等需求场景。