实测：本地文生图三档引擎选型

【内容摘要】本文在同一台 统一大内存工作站上，对五款本地文生图方案做横向实测对比。除耗时外，引入拉普拉斯方差、局部对比度、饱和度三项客观指标，揭示三个反直觉结论：参数量大不等于质量好、锐度高不等于观感好、色彩发灰是完整版模型通病。文末附可直接套用的评估清单。

【编写目的】帮助读者用数据而非跑分截图做本地文生图引擎选型，降低试错成本。

一、为什么要做这次实测

本地跑文生图，最常被问的问题是：到底该选哪个模型、哪个引擎。网上答案大多是跑分截图，缺少同一台机器上的横向对比。

我用一台工作站（31.6GB 系统内存加 96GB 统一显存池）做了完整实测。把五个候选方案放在同一提示词、同一分辨率下跑了一遍，数据全部来自本机实测，不是推算。

二、实测环境与方法

硬件：96GB 统一显存池。

软件：stable-diffusion.cpp（Vulkan 后端）加 ncnn，分辨率统一 1024 乘 1024。

提示词统一为：a cute corgi dog running on green grass, sunny day。

评价指标除了耗时，还加了三个客观量：拉普拉斯方差（衡量边缘锐度）、局部对比度（衡量细节层次）、饱和度（衡量色彩丰富度）。

三、五个候选方案实测数据

方案一，SDXL-Turbo，2.6B 参数，q8_0 量化，6 步，dpm++2m 采样器。耗时 13 到 15 秒，拉普拉斯 2119，局部对比度 43.3，饱和度 55%。

方案二，SDXL-Turbo 加写实风格词，8 步。耗时 20 秒，拉普拉斯 788，局部对比度 46.4，饱和度 64%。

方案三，Flux.1-schnell，12B 参数，Q4_K_S 量化，4 步。耗时 41 秒，拉普拉斯 195，局部对比度 4.9，饱和度 42%。

方案四，SDXL Base 1.0 完整版，25 步，cfg 5.0。耗时 54 秒，拉普拉斯 1292，饱和度 42%。

方案五，Qwen-Image-2.1，20B 参数，ncnn 引擎，8 步。理论耗时 712 秒，实测三次全部在第 3 到 4 步崩溃。

四、数据背后的三个反直觉结论

结论一，参数量大不等于质量好。

Flux 是 12B，SDXL-Turbo 是 2.6B，参数量差 4.6 倍。但 Flux 的拉普拉斯只有 195，是 SDXL-Turbo 的十一分之一，局部对比度 4.9 对 43.3，差近 9 倍。原因在于 Q4_K_S 是激进量化，对 DiT 架构的细节损伤很大。

结论二，锐度高不等于观感好。

漫画风出图拉普拉斯 2119 很漂亮，但实际观感是扁平色块加粗线条。写实风拉普拉斯只有 788，但饱和度 64%，有真实毛发纹理和光影层次，反而更符合照片质感预期。拉普拉斯方差衡量的是边缘锐利程度，不是画面质感。选型时必须结合饱和度、局部对比度和人眼观感一起看。

结论三，色彩发灰是完整版模型的通病。

SDXL Base 完整版 25 步出图，拉普拉斯 1292 看着不错，但饱和度只有 42%，画面明显发灰。这是不带 refiner 时的固有特性。试过把 cfg 从 5.0 提到 7.0 增强对比度，结果拉普拉斯反而掉到 178，说明 Base 的甜点就在 cfg 5.0 附近，硬调没用。

五、速度与显存的关系实测

同一个 Flux 模型，LLM 驻留时耗时 161 秒，卸载 LLM 独占显存后 70.5 秒，快 2.3 倍。

更极端的例子是批量出图。四格连续出图，LLM 驻留时耗时呈 29.7、52.9、125.5、205.5 秒逐格劣化，最后一格慢 7 倍。改成显存独占后变成 21.7、30.0、20.2、20.0 秒，基本持平。

这个数据说明：生图前清空 LLM 不是优化项，是必选项。红线判断只能防分配失败，防不了性能劣化。

六、长期运行的碎片化问题

连续跑了几十次生图后，出现了一个稳定复现的现象：生图从 13.4 秒劣化到 42.5 秒，三轮数据高度一致。

排查过程：残留进程 0 个，系统内存 23GB 充足，LLM 驻留 0 个，裸跑引擎同样 45 秒。最后重启 LM Studio 服务，立刻恢复到 13.2 秒。

结论是 Vulkan 分配器碎片累积。虽然账本显示显存已释放，但实际分配效率下降。解法是加自愈规则：连续 3 次生图超基准 2 倍，自动重启服务。

七、最终选型清单

如果您的需求是批量草稿、漫剧分镜、快速迭代，选 SDXL-Turbo 漫画风，13 到 15 秒一张，锐度足够。

如果您的需求是成品图、真实质感、照片风格，选 SDXL-Turbo 写实风，20 秒一张，饱和度 64%。

如果您的需求是极致质量且能接受 12 分钟等待，理论上 Qwen-Image 20B 最优，但当前 ncnn 引擎在本机不稳定，实测三次全崩，暂不推荐。

如果您的需求是 Flux 系列，建议用 Q8_0 或 FP8 量化，Q4_K_S 在当前环境画质不可用。

八、评估清单（可直接套用）

1. 先测引擎是否支持量化。不支持量化的引擎，大模型必然慢到不可用。

2. 再测显存独占与共享的耗时差。差 2 倍以上说明必须做独占。

3. 用同一提示词横向对比至少 3 个候选，记录耗时、锐度、对比度、饱和度四项。

4. 单独验证提示词风格词的影响。同一模型换风格后缀，锐度可能差 6 倍以上。

5. 连续跑 20 次以上，观察是否出现逐次劣化。出现即判定碎片化，需加自愈。

6. 批量出图必须测逐格耗时，不能只测单张。逐格劣化是最容易被忽略的坑。

九、几个容易踩的坑

参数误用：sd-cli 的 -t 是 threads 不是 steps，我最初误以为 -t 4 是 4 步出图，实际一直跑默认 20 步，掩盖了 Turbo 模型的真实性能。

加载方式：Flux 必须用 --diffusion-model 参数，-m 不识别 GGUF 格式。

参数叠加负收益：试过 flash attention 加 vae tiling，从 70.5 秒变成 100.9 秒，反而慢 42%。参数不是越多越好，每个都要单独验证。

十、结语

本地文生图没有万能方案，只有匹配场景的方案。把耗时、锐度、对比度、饱和度四项指标和实际观感放在一起看，才能选出真正合适的配置。希望这份清单能帮您少走弯路。

十一、补充：不同分辨率下的表现差异

除了 1024 乘 1024，还测了 512 乘 512 和 768 乘 768 两个档位。

512 乘 512 下，SDXL-Turbo 耗时约 5 到 7 秒，拉普拉斯 1083，局部对比度 28.5。适合快速试稿，但细节明显不足，放大后模糊。

768 乘 768 下，SDXL-Turbo 耗时约 9 到 11 秒，拉普拉斯 1650，局部对比度 36.2。这是性价比甜点，速度和细节平衡得最好。

1024 乘 1024 下，耗时 13 到 15 秒，拉普拉斯 2119，局部对比度 43.3。适合成品输出。

结论：如果只是看构图，512 够用；如果要出成品，必须 1024。中间档 768 适合批量预览。

十二、补充：采样器对质量的影响

同一模型同一提示词，只换采样器，实测数据如下。

euler 采样器：耗时 19.5 秒，拉普拉斯 103.9。速度最快，但锐度最低。

euler 加风格后缀：耗时 20.4 秒，拉普拉斯 1221.8。风格词带来的提升远超采样器本身。

dpm++2m：耗时 24.3 秒，拉普拉斯 1949.3。比 euler 慢 4.8 秒，锐度提升近 19 倍。

dpm++2s_a：耗时 26.1 秒，拉普拉斯 1780.5。略慢于 dpm++2m，锐度反而低。

结论：dpm++2m 是当前模型的最优采样器，多花 5 秒换 19 倍锐度提升，非常划算。

十三、补充：CFG 参数的边界

CFG 是提示词引导强度，调高会增强对提示词的服从度，但过高会导致画面过饱和、细节崩坏。

SDXL-Turbo 实测：CFG 1.0 是甜点，拉普拉斯 2119。CFG 1.5 时拉普拉斯降到 1780，画面开始发硬。CFG 2.0 时拉普拉斯 1239，明显过曝。

SDXL Base 实测：CFG 5.0 是甜点，拉普拉斯 1292。CFG 7.0 时拉普拉斯暴跌到 178，画面完全崩坏。

结论：蒸馏模型必须低 CFG，完整版模型必须中等 CFG，两者不能混用参数。

十四、补充：批量出图的显存管理

批量出图最容易踩的坑是逐张卸载恢复。第一版实现是每张图出完就恢复 LLM，结果四格出图光卸载加载就白烧 100 秒。

正确做法是批量会话模式：整批只卸载一次，批次内不恢复，批次结束统一恢复。

def begin_imagegen_batch(reason):

global _BATCH_MODE

_BATCH_MODE = True

return evict_all_llm(reason=reason)

def end_imagegen_batch():

global _BATCH_MODE

_BATCH_MODE = False

restore_llm()

改造后四格出图从 458.9 秒压到 132.4 秒，提速 71%。

十五、补充：档位切换的冷却机制

连续出图切换档位时，出现过 quality 档偶发失败。排查发现是 fast 档刚跑完，显存还没完全释放，quality 立刻启动就撞车。

解法是加 3 秒冷却：

IMG_COOLDOWN_S = 3.0

_elapsed = time.time() - _LAST_IMG_END[0]

if 0 < _elapsed < IMG_COOLDOWN_S:

time.sleep(IMG_COOLDOWN_S - _elapsed)

加冷却后连续出图 100% 成功。这个坑很小但很致命，批量任务里尤其容易踩。