SDXL vs Krea2 Turbo vs Boogu Turbo：同提示词 A/B 实测

测试日期：2026-09-13 23:50 CST ｜ 执行机：DSH 机 192.168.31.76 ｜ 推理机：GPU 机 192.168.31.31 环境：ComfyUI 0.34.0 · RTX 5060 Ti 16GB · LOW_VRAM 档（--lowvram --force-fp16 --reserve-vram 1.0 --fast-disk） 触发：用户判断「SD1.5 和 SDXL 的效果已经远弱于目前主流生图模型」——本文用同一条提示词做四档 A/B 验证

---

一、结论速览

判断成立，且差距是结构性（架构级）的，不是调参能补的。

评判维度	① SDXL base 1.0	② SDXL uberRealistic 合并档	③ Krea2 Turbo	④ Boogu Turbo
核心主体「店主」	❌ 完全缺失	❌ 完全缺失	✅ 亚洲老年男性、米色开衫	✅ 老年男性、米色毛衣
核心动作「把书放上书架」	❌	❌	✅ 双手举书入架	✅ 单手扶书入架
橘猫 / 茶杯 / 黄铜台灯	仅猫	❌ 全缺	✅ 三样全中	✅ 三样全中
木招牌文字 "BOOKS"	❌ 乱码 BSUNDPSLOES	❌ 无文字	✅ 拼写完全正确	✅ 拼写完全正确
窗外蓝霓虹 + 雨痕	部分（蓝色门板，非霓虹）	❌	✅ 日式霓虹街景 + 雨窗	✅ 日式霓虹街景 + 雨窗
手部结构	无（画面无人）	无（画面无人）	✅ 双手自然持书	✅ 单手自然扶书
采样步数	30	30	9	4
出图耗时（含模型加载）	~20 s	~30 s	~60 s	~46 s

一句话：四张图里，两档 SDXL 都把提示词的主语（店主）整个丢了 —— ① 退化成"书店门面＋一只猫"，② 退化成"无人书店内景"。而 Krea2 / Boogu 把人物、动作、道具、空间关系、窗外街景全部落地，招牌英文还拼对了。

对比拼图：AB_compare_grid.png（2×2，左上→右下 = ①②③④）

---

二、方法（公平性说明）

先堵住"是不是故意挑弱模型 / 用弱参数"的质疑：

• 同一条提示词（516 字符 / 81 词），同一个 seed 20260913，同为 1024×1024。
• 每档都用各自官方或社区推荐参数，未做任何削弱：
  • ① SDXL base 1.0：dpmpp_2m + karras，30 步，cfg 7，标准负向提示（负向里刻意不含 text，以免压制招牌文字）
  • ② SDXL 社区强化写实合并档：参数同 ①（这是 SDXL 生态里以写实见长的合并模型）
  • ③ Krea2 Turbo：er_sde + simple，9 步，cfg 1，负向 ConditioningZeroOut（官方 Turbo 档）
  • ④ Boogu Turbo：lcm + sgm_uniform，4 步，cfg 1，负向 ConditioningZeroOut（官方 nvfp4 工作流原参）
• SDXL 特意跑两个档（官方基线 + 社区强化档），确保结论不依赖单一模型选择。

提示词（全文，可复现）：

a cozy japanese secondhand bookstore at dusk, an elderly shopkeeper in a beige cardigan
carefully places a worn hardcover onto a tall wooden shelf, stacks of vintage paperbacks
and a brass reading lamp on the counter, a ginger cat asleep beside a ceramic teacup,
warm tungsten light spilling across the floorboards while rain-streaked windows reflect
blue neon signs outside, a hand-painted wooden sign reading "BOOKS" above the doorway,
shot on 35mm film, shallow depth of field, fine grain, cinematic color grading

四档的 API 请求 JSON 原样归档在同目录 prompts/ 下（sdxl_base.json、sdxl_urpm.json、krea2.json、boogu.json）。

---

三、机制证据：SDXL 为什么抓不住长提示

用 ComfyUI venv 的 SDTokenizer 对这条提示词做实测：

CLIP-L 编码结果：2 个 chunk，各 77 token
  chunk 0：75 个有效 token
     "a cozy japanese secondhand bookstore at dusk, an elderly shopkeeper in a beige
      cardigan carefully places a worn hardcover onto a tall wooden shelf, ... blue neon
      signs outside, a"
  chunk 1：30 个有效 token + 46 个 padding
     "- painted wooden sign reading "books" above the doorway, shot on 35mm film,
      shallow depth of field, fine grain, cinematic color grading"

⚠️ 这里纠正一个流传很广的误解（我在本次会话中也先说错了，后经实测更正）：

• 在原版 SD / A1111 里，超过 77 token 是直接截断，后半段提示词确实白写；
• 在 ComfyUI 里则会做 chunked conditioning（分块拼接），本例并没有丢词。但代价是：两个 chunk 各自从 <|startoftext|> 独立编码，块与块之间没有 token 级注意力交互，第二块（承载"BOOKS 招牌、35mm 胶片、浅景深、电影调色"等关键描述）对最终结果的影响力被显著削弱。
• 现代档的文本编码器是 Qwen3VL 系 VLM（Krea2 用 qwen3vl_4b_fp8 5.2GB；Boogu 用 qwen3vl_8b_fp8 10.6GB），整段 516 字符单次编码成一组全局语义，再由 DiT 主干做全局注意力 —— 这才是"提示词听话"的根本原因。

所以差距不在于"词有没有被看到"，而在于文本理解器的容量与编码方式，以及主干的架构代际（U-Net+交叉注意力 vs DiT+rectified flow）。这一点无法通过调参、加权、加 LoRA 弥补。

---

四、逐张点评

#	文件	实际画面
①	AB1_sdxl_base_00001_.png	从店外看书店正门：木门、两侧书架、一只橘猫走过地板。招牌上是一串乱码 BSUNDPSLOES（模型知道该有文字，但字母顺序失控）。没有店主、没有放书动作、没有茶杯、没有台灯。整体偏数码平光、材质塑料感
②	AB2_sdxl_urpm_00001_.png	无人的书店内部全景：密集书架、吊灯、暖色木调、窗外绿树。构图与光照比 ① 精致、质感更好，但店主和橘猫都不存在，提示词的核心事件（把书放上书架）完全没有发生；招牌文字也未生成
③	AB3_krea2_00001_.png	完整实现提示词：亚洲老年男性穿米色开衫，双手把一本精装书举上书架；柜台上一只橘猫酣睡在茶杯旁，黄铜台灯暖光，木招牌 "BOOKS" 拼写正确，窗外是雨夜日式霓虹街景，胶片颗粒与浅景深到位
④	AB4_boogu_00001_.png	与 ③ 高度接近的高质量实现：老年男性在书架前取放书，橘猫睡在柜台上，台灯/茶杯/书堆齐备，"BOOKS" 木招牌正确，窗外蓝色霓虹＋湿街反光。仅 4 步采样即达到该质量

---

五、耗时与显存

• 四张图串行跑完（含全部模型首次加载与互切）总计 2 分 37 秒（23:50:45 → 23:53:22）。
• 单张耗时（轮询粒度 ±15s，含模型加载，非纯采样时间）：① ~20s ② ~30s ③ ~60s ④ ~46s。
• 显存：ComfyUI 空闲时 154 MiB / 16311 MiB；本次未单独采集每张的峰值（--lowvram 下 13GB 级 UNet 会动态换入换出，首图明显慢于后续同模型出图）。
• 注意 ③④ 的耗时大头是模型加载（Krea2 13.1GB UNet + 5.2GB TE；Boogu 5.8GB nvfp4 UNet + 10.6GB TE），连出同模型时会快得多；而 ③ 只用 9 步、④ 只用 4 步，采样本身远比 SDXL 的 30 步便宜。

---

六、结论与建议

1. 你的判断成立，而且这次实测把差距定位得很具体：不在"画风好不好看"，而在提示词遵循度、主体完整性、文字渲染这三项现代生图的核心能力上，SDXL 世代出现的是整段语义丢失（连主语都没了），这属于架构级差距。
2. 你机器上早就不是只有老模型：Krea2 Turbo、JANK2、Boogu-Image（Base/Edit/Turbo）权重、文本编码器、VAE、官方工作流 JSON 全部就位，零下载成本即可用。真正的问题是一直在用 checkpoints/ 那 27 个老档（125GB）。
3. 保留 SDXL 的正当理由只有一条：它海量的 LoRA / ControlNet 生态与可自训练性（尤其特定动漫审美、特定人物 likeness、特定构图控制）。作为通用出图主力，建议切到 Krea2（写实与美感）或 Boogu（快，4 步）。
4. 若要进一步提升，16GB 卡的现代候选：Z-Image Turbo（6B，消费卡 5–10s/图，Apache 2.0）、FLUX.2 [klein] 4B（~8GB，Apache 2.0）、Qwen-Image 2.0（7B，中英文字渲染最强，Apache 2.0）。
5. 磁盘现状 91% 已用（剩 109GB），而那 125GB 老 checkpoint 是最大可回收池 —— 建议在确认不再使用后分批清理。

---

附：文件清单

文件	说明
AB_compare_grid.png	2×2 对比拼图（带标签）
AB1_sdxl_base_00001_.png	SDXL base 1.0 官方基线
AB2_sdxl_urpm_00001_.png	SDXL uberRealisticPornMerge v12 写实合并档
AB3_krea2_00001_.png	Krea2 Turbo fp8（9 步）
AB4_boogu_00001_.png	Boogu-Image Turbo nvfp4（4 步）
prompts/*.json	四档的 ComfyUI API 请求原文（可直接 POST /prompt 复现）

复现命令（GPU 机 ComfyUI 运行时，从 DSH 机执行）：

curl -s --noproxy '*' -X POST http://192.168.31.31:8189/prompt \
  -H 'Content-Type: application/json' -d @prompts/krea2.json