前置知识点（建议先学）
学习状态：
一句话定义
开源文生图主线沿「SD1.5（2022，U-Net+CLIP，512 基准）→ SDXL（2023，更大 U-Net+双编码器，1024 基准）→ SD3/3.5（2024，MM-DiT+流匹配+T5）→ Flux（2024，12B 流匹配）」演进，三代跨越了「架构、训练目标、文本理解」三条轴线。
时效声明：模型版本迭代极快，本节以 2026-10 时点的主流格局为快照；「机制与轴线」长期有效，「版本与参数」仅为示例。
为什么重要
选错基座是一切调参努力的隐形上限：提示词写得再好，基座没有的文本理解力变不出来；显存不够时再好的模型也跑不起来。谱系知识让你能按「生态、硬件、任务」三轴选型，也让你看懂每次新模型发布时宣传语的机制含义（「换流匹配」意味着什么、「MM-DiT」改变了哪条链路）。
前置知识
kp-008（三件套）、kp-007（U-Net/DiT 骨干）、kp-011（文本编码器）。
核心概念
- SD1.5：U-Net（~8.6 亿参数）+ 单 CLIP（77 token）+ VAE，512² 基准，生态史上最厚（LoRA/ControlNet/微调产物最多）。
- SDXL：U-Net 扩至约 26 亿 + 双文本编码器（CLIP ViT-L + OpenCLIP bigG），1024² 基准，宽高比自适应条件。
- SD3/3.5：MM-DiT 架构（文本与图像 token 同堆栈联合注意力）+ 流匹配目标 + T5 文本塔，文本遵循力跃迁。
- Flux：12B 参数流匹配 MM-DiT 系（Black Forest Labs，SD 原班人马创立），指令遵循与文字渲染强，资源需求高。
- 流匹配（flow matching）：把「噪声↔数据」建模为直线路径的插值回归，训练目标从 ε 预测变为速度场预测，采样轨迹更直、低步数更稳。
原理与机制
三代演进正好对应三条机制轴。架构轴（kp-007）：SD1.5/SDXL 的卷积 U-Net 被证明可扩展性有限——SDXL 用「加宽加深 + 更多注意力层」榨性能；SD3 起换 MM-DiT，把 LLM 式缩放律引入图像生成，此后「更大=更好」重新成立。目标轴（kp-006）：ε 预测 → v 预测 → 流匹配，本质是把「去噪轨迹」从弯曲的随机过程优化成近似直线——直线轨迹允许更少的积分步数，这是新一代模型「少步数也不崩」的数学根据（与 kp-009 呼应）。文本轴（kp-011）：单 CLIP（词袋级）→ 双 CLIP（更宽语义）→ 叠加 T5（真正的句法理解），文字渲染与复杂指令遵循的提升主要来自这条轴。
选型三轴（示例快照，随生态变化）：
| 轴 | 推荐 | 理由 |
|---|---|---|
| 生态/二次创作最厚 | SD1.5 / SDXL | LoRA、ControlNet、历史资产最多；SDXL 兼顾质量 |
| 消费级显存（≤8G） | SD1.5、SDXL（fp16/tiled） | 主干小、有成熟分块方案 |
| 文本渲染/复杂指令 | SD3.5 / Flux | T5 + 流匹配 + 大参数的合力 |
| 追求最高质量、显存充裕 | Flux 系 | 12B 级、机制最新 |
兼容性注意：三代的潜码分辨率约定（kp-003）、文本编码器空间（kp-008 误区三）、采样器适用性（kp-009 的 Turbo 类绑定）互不通用——「跨代混装」是工作流报错的高发区。
图示
SD1.5（2022）U-Net·CLIP·512→SDXL（2023）大 U-Net·双编码器·1024→SD3/3.5（2024）MM-DiT·流匹配·T5→Flux（2024）12B·流匹配
三条轴：架构（卷积 U-Net → Transformer）、目标（ε → v → 流）、文本（CLIP → +T5）。
直观类比
像三代相机：SD1.5 是「胶片单反」——配件二手市场最繁荣；SDXL 是「全画幅数码」——底片更大、镜头通用性开始分家；SD3/Flux 是「新一代微单」——换了取景原理（流匹配），老镜头要转接环（兼容层）才能用。
实例或案例
- 8G 显存跑 Flux：量化版 + 大显存换出策略可行但慢；同硬件跑 SDXL fp16 流畅——「最好的模型」与「你能跑的模型」常不是同一个。
- 文字渲染对比：给三系模型同一提示「a sign that says OPEN」：SD1.5/SDXL 常出乱码，SD3.5/Flux 多数能写对——文本轴升级的直接证据。
- 社区资产复用：想把 SD1.5 时代的珍藏 LoRA 搬上 SDXL——不兼容，需找 SDXL 版或用 SDXL 基座重训（权重空间不通用，kp-015）。
常见误区
- 误区一：新模型全面碾压旧模型。在生态资产、小显存适配、特定风格微调密度上，SD1.5/SDXL 仍是许多工作流的理性选择；「先进」与「合适」是两个维度。
- 误区二：SDXL 是 SD3 的前代。SDXL 与 SD3 分属不同架构世代（U-Net 系 vs MM-DiT 系），命名连续但技术断代。
- 误区三：流匹配是「另一种扩散」。它是同一框架内的训练目标与轨迹形状改良（kp-006 的 v/流参数化延伸），前向加噪-反向去噪的世界观未变。
自测题
- 三代演进的三条机制轴分别是什么？
答案要点：架构（U-Net→MM-DiT）、训练目标（ε→v→流匹配）、文本编码（CLIP→+T5）。
- 为什么流匹配系模型低步数更稳？
答案要点：流匹配把噪声到数据的轨迹优化为近似直线，直线轨迹用更少的数值积分步即可逼近。
- SD1.5 的 LoRA 为什么不能直接用于 SDXL？
答案要点：两者权重空间与网络结构不同，低秩增量绑定原基座的权重坐标系。
与其他知识点的关系
kp-007 的骨干演进是架构轴的细节；kp-006/kp-009 的目标与采样联系目标轴；kp-011 联系文本轴；kp-021/kp-024 决定「加载哪个、跑不跑得动」。
延伸阅读
SDXL 论文（ICLR 2024）关于分辨率条件与双编码器的设计动机；SD3 论文（ICML 2024）第 1~2 节对流匹配与 MM-DiT 的论证。