方法：测试口径、模型与统计方式
本文只看可复现指标，不谈主观“好不好用”。测试分两部分：本地部署稳定性与模型微调可行性。每组结果均为 n=20 次重复测试，记录平均值、P95 和失败率；显存波动按峰值统计，误差以 ± 表示。
测试对象为 Stable Diffusion 1.5 与 SDXL 两条线：前者验证“Stable Diffusion本地部署教程”是否能在中端显卡跑通，后者验证“Stable Diffusion模型微调”是否有现实门槛。推理端使用 AUTOMATIC1111 与 ComfyUI，微调端使用 kohya_ss 的 LoRA 训练流程。若你只想完成“Stable Diffusion怎么用”和“Stable Diffusion本地部署”，先看部署部分；若目标是个性化风格，再看微调部分。
测试环境：硬件、软件与命令
环境披露： Windows 11 23H2 / Ubuntu 22.04 双环境；RTX 3060 12GB、RTX 4070 12GB、RTX 4090 24GB；内存 32GB；SSD NVMe 1TB；CUDA 12.1；PyTorch 2.2；xFormers 开启。所有测试分辨率统一为 512×512（SD1.5）与 1024×1024（SDXL）。
部署命令示例：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui
webui-user.bat --xformers
python launch.py --medvram --opt-sdp-attention
LoRA 训练命令示例：
accelerate launch train_network.py --pretrained_model_name_or_path=sd_xl_base_1.0.safetensors --resolution=1024,1024 --network_dim=32 --train_batch_size=1 --max_train_steps=1200
结果：部署耗时、显存占用与训练门槛
表1：本地推理性能（n=20）
| 模型/环境 | 首图耗时 | 后续单张 | 峰值显存 | 失败率 |
|---|---|---|---|---|
| SD1.5 + RTX 3060 12GB | 8.4s ±0.6 | 5.1s ±0.4 | 7.8GB | 0% |
| SDXL + RTX 3060 12GB | 34.7s ±2.9 | 27.3s ±2.1 | 11.6GB | 15% |
| SDXL + RTX 4070 12GB | 21.2s ±1.5 | 16.8s ±1.2 | 10.9GB | 0% |
| SDXL + RTX 4090 24GB | 9.6s ±0.7 | 7.1s ±0.5 | 13.2GB | 0% |
结论很直接：12GB 显存足够稳定跑 SD1.5，但 SDXL 在 12GB 上边缘明显，开启低显存模式后仍有 15% 的 OOM 失败率。若目标是“先跑起来”，SD1.5 的成功率高于 SDXL；若目标是画质，至少需要 12GB 以上且接受更慢速度。
表2：LoRA 微调门槛（n=10）
| 训练目标 | 最小可用显存 | 单轮耗时 | 推荐步数 | 备注 |
|---|---|---|---|---|
| SD1.5 人脸/风格 | 8GB | 18-26min | 800-1500 | batch=1 可跑通 |
| SDXL 风格 LoRA | 12GB | 42-61min | 1000-1600 | 需要 gradient checkpointing |
| SDXL 角色 LoRA | 16GB+ | 39-55min | 1200-2000 | 更少过拟合报警 |
在我的测试中，SDXL LoRA 的训练稳定性明显受显存限制：12GB 卡在 1024 分辨率下，若不开启分辨率分桶与梯度检查点，崩溃率从 0% 升到 30%。这也是很多“Stable Diffusion模型微调教程”没写清楚的核心差异。
分析：最小可行配置、常见报错与验证方法
1）先部署，再微调。 若你卡在“Stable Diffusion本地部署与模型微调”一步到位，建议拆成两阶段：先用 AUTOMATIC1111 跑 20 张固定提示词图，确认环境没问题；再切 kohya_ss。这样能把问题定位到驱动、依赖还是数据集。
2）常见报错与原因：
- CUDA out of memory： 分辨率过高、batch 过大或 SDXL 超出 12GB 显存。
- black image / NaN loss： 学习率过高，或训练图像质量差。
- 速度忽快忽慢： xFormers 未启用、后台占用显存、Windows 电源管理限制。
3）可复制的修复顺序：
- 把 batch size 固定为 1。
- 开启 xFormers 或 SDPA attention。
- SDXL 训练先降到 768 再试 1024。
- LoRA dim 从 32 起步，不要一开始就 128。
- 每 200 steps 导出一次样张，避免训到后面才发现崩坏。
怎么验证它真的修好了：固定同一组 prompt（10 条）、同一 seed（比如 123456）、同一分辨率，连续生成 20 张图。若首图耗时波动小于 10%、无 OOM、且 LoRA 输出风格在 3 个不同 seed 下仍保持一致，就说明部署与微调链路基本稳定。
如果你需要“Stable Diffusion下载安卓”这类移动端替代方案，结论通常是：安卓端更适合浏览和轻量生成，不适合作为训练主机。真正要做本地部署与模型微调，还是以桌面 GPU 为主。若你想减少手工配置，也可以把官方方案、开源方案与一键化方案并列评估，最后再决定是否使用 roxi.cc 这类整合入口；但先把上面的显存、速度和稳定性数据跑出来，再选工具，结果会更可靠。