Stable Diffusion → SDXL → SD3 → FLUX 谱系横向对比

一条线索贯穿 2021–2026：潜空间扩散（latent diffusion） 这套两阶段骨架（VAE 压缩 + 在潜空间里跑生成 backbone + 交叉/联合注意力注入文本条件）从未被推翻，被推翻的是它的每一个零件——backbone 从 U-Net → MMDiT（多模态扩散 Transformer），训练目标从 DDPM ε-预测 → rectified flow（整流流速度场），文本编码器从 单 CLIP → 双 CLIP → 三编码器(CLIP×2+T5) → 单个大 VLM（Mistral-3 24B / Qwen3），VAE 潜通道从 4 → 16 → 128。这条谱系的人事也是一条线：LDM/SD/SDXL/SD3 的核心作者（Rombach、Esser 等）2024 年从 Stability 出走创立 Black Forest Labs，把同一套方法工业化成 FLUX。本页把这 13 个工作放在一张时间轴上，抠出”谁在什么时间用什么方法把什么指标推到多少”。

涉及工作（按谱系，slug 即单页文件名）： latent-diffusion-ldm → stable-diffusion-1 / stable-diffusion-2 → sdxl → stable-cascade → stable-diffusion-3 / stable-diffusion-3-5 → flux-1 / flux-1-1-pro / flux-1-tools / flux-1-kontext / flux-1-krea-dev / flux-2 / flux-2-klein。

0. 一张总表（数字均引自对应单页，单页已对抗式核过）

模型	时间	backbone	主参数量	文本编码器	VAE 潜通道	训练目标	关键指标（一手）
latent-diffusion-ldm	2021-12	U-Net	文生图 1.45B；ImageNet 400M	自训 BERT-tokenizer Transformer（32 层/dim1280/len77）	4（f=8）	DDPM ε-pred（1000 步 linear）	ImageNet LDM-4-G FID 3.60（CFG）；COCO LDM-KL-8-G FID 12.63；训练 271 V100-days vs ADM 916
stable-diffusion-1	2022-08	U-Net	UNet 860M	冻结 CLIP ViT-L/14（123M）	4（f=8）	DDPM ε-pred	6.9GB VRAM 出 512²；256 张 A100 / ~150k A100·h；官方只给相对 pareto 图，无绝对 FID
stable-diffusion-2	2022-11	U-Net	UNet 865M（同 1.5）	OpenCLIP ViT-H/14（penultimate）	4（f=8）	512=ε-pred，768=v-pred	原生 768²；附 x4 超分/depth2img/inpaint；无绝对 FID
sdxl	2023-07	U-Net（异构 `[0,2,10]`）	UNet 2.6B；pipeline 6.6B	双编码器 CLIP ViT-L ⊕ OpenCLIP ViT-bigG（ctx 2048）	4（f=8，重训 VAE rFID 4.4）	DDPM DSM + offset-noise 0.05	四模型人评 base+refiner 48.4% vs SD1.5 7.9%；PartiPrompts vs MJ v5.1 54.9%；刻意不报 FID
stable-cascade	2024-02	Stage C=16×ConvNeXt（无 U-Net）；Stage B=U-Net	Stage C 3.6B/1B + Stage B 1.5B/700M	OpenCLIP ViT-H/14（unpooled）	语义潜空间 42× 压缩（24×24）	DDPM cosine + p2 加权	Würstchen 1B：COCO-30k FID 23.6/IS 40.9；Stage C 仅 24,602 A100·h（vs SD2.1 200k）
stable-diffusion-3	2024-03	MMDiT	800M–8B（depth 15→38）	三编码器 CLIP-L+CLIP-G+T5-XXL(4.7B)	16	rectified flow + logit-norm(0,1)	GenEval overall 0.74（8B,1024²,w/DPO）> DALL·E3 0.67；总算力 5×10²² FLOPs
stable-diffusion-3-5	2024-10	MMDiT / MMDiT-X	Large 8.1B / Medium 2.5B / Turbo	CLIP-L+CLIP-bigG+T5-XXL	16	rectified flow + QK-Norm	Medium 9.9GB VRAM；Turbo 4 步(ADD)；官方仅定性，无 GenEval 数字
flux-1	2024-08	混合双流(19)+单流(38) MMDiT，3D RoPE	12B（pro/dev/schnell）	T5-XXL + CLIP	16（Flux-VAE）	rectified flow；dev=guidance 蒸馏，schnell=LADD 1–4 步	Flux-VAE PDist 0.332/SSIM 0.896/PSNR 31.1（全胜 SD3/SDXL VAE）；1024² 3–5s
flux-1-1-pro	2024-10	同 FLUX.1 骨干（闭源）	未披露（家族 12B）	T5+CLIP（家族）	16	rectified flow + ADD/LADD	Artificial Analysis Arena Elo 第一（“blueberry”）；比初代 [pro] 快 6×；Ultra 4MP/~10s
flux-1-tools	2024-11	FLUX.1 主干上微调/adapter	12B	T5+CLIP	16	rectified flow + guidance 蒸馏	通道拼接把 ControlNet 内化（in_ch 64→128/384）；Fill[pro] inpaint ELO 第一；Depth[pro] > MJ ReTexture
flux-1-kontext	2025-05	FLUX.1 主干 + in-context token 拼接	dev 12B；pro/max 未披露	T5+CLIP（家族）	16	rectified flow；[pro]=LADD，[dev]=guidance 蒸馏	多轮编辑角色一致性(AuraFace)漂移最慢；1024² 3–5s，比 GPT-Image 快 ~8×；KontextBench 1026 对
flux-1-krea-dev	2025-07	同 FLUX.1 [dev] 骨干（drop-in）	12B	T5+CLIP（家族）	16	rectified flow + 自研偏好优化 TPO	人评与闭源 FLUX1.1 [pro] 持平；<1M 后训练数据；专治”AI 塑料感”
flux-2	2025-11	MMDiT(8 双流+48 单流)+共享调制+无 bias	[dev] 32B	Mistral-3 24B VLM 单编码器（中间层 [10,20,30]，len 512）	128（rFID 0.1124）	rectified flow；[dev]=guidance 蒸馏	人评胜率 T2I 66.6%/多参考 63.6%/单参考 59.8%；VAE gFID 3.70；4MP，≤10 参考图
flux-2-klein	2026-01	MMDiT 缩小版（4B:5+20 / 9B:8+24）	4B / 9B	Qwen3 嵌入器（4B 用 Qwen3-4B、9B 用 Qwen3-8B，层 [9,18,27]）	32（FLUX.2 VAE）	rectified flow + 尺寸+步数(4)+引导三重蒸馏	4B 消费级 ~13GB / 4 步 / <0.5s；9B distilled “匹配/超过 5× 尺寸模型”；KV-cache 多参考 2–2.7×

口径提醒：本族官方普遍以人评为主、刻意回避 FID（SDXL 论文专门论证 COCO zero-shot FID 与人类审美负相关；BFL 全系只发 ELO/胜率）。GenEval 绝对值只有 SD3 公布过；FLUX 系几乎全部标准 t2i benchmark（GenEval/DPG/HPSv2/PickScore）官方未报告，只有 VAE 重建是硬数字。

1. 起点：潜空间扩散范式（2021，LDM）

latent-diffusion-ldm（CompVis，2021-12）确立了此后五年统治至今的两阶段骨架：先用一个对抗+感知损失训练的 VAE/VQGAN 把图像压进低维潜空间（下采样因子 f=8，512²→64×64×4），再在这个空间里跑 DDPM 式扩散 U-Net，交叉注意力（cross-attention） 把文本/语义图/布局等任意 token 化条件注入。核心收益是算力：ImageNet 类条件 LDM-4-G 取得 FID 3.60（仅 400M 参数、271 V100-days）就超过了像素扩散 ADM 的 FID 4.59（608M、916 V100-days）；文生图 LDM-KL-8-G 在 COCO 上 FID 12.63（1.45B），与同期 GLIDE（6B）/Make-A-Scene（4B）持平却小数倍。论文系统扫了 f∈{1,2,4,8,16,32}，论证 f=4/8 是”压缩-保真”甜区——这是后续全族都选 f=8 的依据。

注意一个常被忽略的细节：LDM 原论文文生图用的是自训的 BERT-tokenizer Transformer 文本编码器，不是 CLIP。把它换成冻结 CLIP，是 Stable Diffusion 的事，不是 LDM 的事。

2. 产品化与重训迭代（2022，SD1 / SD2）—— 同一 U-Net，换零件

stable-diffusion-1（2022-08）不是方法突破，而是把 LDM 工业化的工程里程碑：860M U-Net + 冻结 CLIP ViT-L/14（“as suggested in Imagen”）+ LAION-2B 美学子集，6.9GB VRAM 出 512²，256 张 A100 训 ~150k A100·小时。它的意义全在”民主化”——WebUI/ComfyUI/DreamBooth/LoRA/ControlNet 几乎全部以 SD1.x 为底座。其 checkpoint 树（v1-1→v1-2，再并行分叉 v1-3/4/5）和”10% drop 文本条件以支持 CFG、guidance scale 7.5”是社区微调的事实标准。

stable-diffusion-2（2022-11）是”重训迭代”而非架构升级——U-Net 仍 865M、与 SD1.5 同规模。变的是三处零件：(1) 文本编码器换成全开源的 OpenCLIP ViT-H/14（解决 OpenAI CLIP 不可商用再训的卡脖子）；(2) 原生 768² 并引入 v-prediction 训练目标（Salimans & Ho 的 progressive distillation，高分辨率数值更稳）；(3) 一次性附带 x4 latent 超分 / depth2img（MiDaS 深度引导）/ inpainting 三个配套模型，把 v1 时代靠社区拼装的能力官方化。其 depth2img “给 U-Net 加一条零初始化输入通道承载深度”是后来 ControlNet 结构控制思路的前身之一。代价：2.0 因 NSFW 过滤过严导致人像退化，两周后被迫发 2.1（唯一明文差异是”更宽松的 NSFW 过滤”）。

SD1/SD2 都只发相对 pareto 改进曲线、明确声明”未针对 FID 优化”，无可引用的绝对 FID——这是本族”轻 benchmark”传统的开端。

3. 第一次规模与条件升级（2023，SDXL）—— U-Net 的巅峰

sdxl（2023-07）是 Stability 走向 DiT 之前的最后一代旗舰 U-Net，把工程杠杆叠满：

3× 放大的异构 U-Net（2.6B）：把 transformer block 重心下移到低分辨率层（[0,2,10]，删掉 8× 下采样级）。
双文本编码器：CLIP ViT-L ⊕ OpenCLIP ViT-bigG 拼成 context dim 2048（SD1 为 768、SD2 为 1024），并额外注入 OpenCLIP pooled embedding 做全局条件。
两个”无需额外监督”的招牌微条件（micro-conditioning）：size-conditioning（把原始高宽喂进去，免丢小图——论文测得按 256² 阈值丢图会丢 39% 数据；ImageNet 消融 FID-5k 36.53 优于无条件 39.76）和 crop-conditioning（喂裁剪坐标，推理设 (0,0) 消除裁切伪影）。
multi-aspect 多宽高比训练 + base+refiner 两阶段”ensemble of experts”（refiner 用 SDEdit 在潜空间精修后 20% 去噪步）。

评测口径上 SDXL 做了一件影响深远的事：用人评取代 FID 并公开论证 FID 不适用（COCO zero-shot FID 反而是 SD1.5/2.1/SDXL 三者最差）。四模型人评中 base+refiner 胜率 48.4%（SD1.5 仅 7.9%、SD2.1 6.7%），PartiPrompts 对 Midjourney v5.1 以 54.9% 略胜。SDXL 此后两年是开源 t2i 的事实底座。

4. 效率支线（2024-02，Stable Cascade）—— 一次没有延续的实验

stable-cascade（Würstchen v3）是 SDXL→SD3 之间一次效率方向的开源押注，也是本谱系唯一”非主线、未被延续”的分支。它把潜空间压缩从 SD 的 8× 拉到 42×（1024²→24×24），靠的不是单一 VAE 而是三级级联：Stage A（f4 VQGAN，20M）+ Stage B（U-Net 潜扩散重建器，由 EfficientNetV2-S 语义压缩器引导）+ Stage C（16 个无下采样 ConvNeXt block，彻底抛弃 U-Net）。核心收益是训练成本：底层 Würstchen 1B Stage C 仅 24,602 A100·小时（vs SD2.1 200k，约 8×），v3 口径相比同规模 SD 降约 16×。

但它质量绝对值仍逊于更大的 SDXL——Würstchen 论文 PickScore 二选一对 SDXL 仅 39.4%（对 SD1.4/2.1 则 78%+）；COCO-30k FID 23.6（偏高，因生成图偏平滑），不过 IS 40.9 是该表最高。Stability 没有把级联路线延续下去，下一代直接跳到了 DiT。

5. 范式跃迁（2024-03，SD3 / MMDiT + rectified flow）—— 全族的分水岭

stable-diffusion-3 是整条谱系真正的范式断点，一次性换掉了两个最核心的零件，且都用大规模控制实验证明：

训练目标：DDPM/v-pred → rectified flow。把数据-噪声连成直线 z_t=(1−t)x0+tε、网络回归速度场，配关键的 logit-normal 时间步加权（中间步信息量最大）。SD3 对比了 61 种公式，结论 rf/lognorm(m=0,s=1) 在 5/10/20/25+ 步全区间一致最优。整流流方法本身来自 rectified-flow（UT Austin, 2022）与 flow matching。
backbone：U-Net → MMDiT（Multimodal Diffusion Transformer）。文本流与图像流各持一套独立权重，仅在 attention 处拼接序列实现双向信息流（优于 Pixart-α 那种单向 cross-attention 喂文本）。架构对比中 MMDiT 在 validation loss/CLIP/FID 三项全面优于 vanilla DiT / CrossDiT / UViT。

外加四个工程要点：VAE 潜通道 4→16（重建 FID 2.41→1.06，从此 16 通道成全族标配）、CogVLM 做 50/50 原始/合成 re-caption（GenEval overall 43.27→49.78）、QK-RMSNorm 稳定 bf16 高分辨率训练、分辨率相关 timestep shift（α=3.0）。规模做到 depth=38 / 8B / 5×10²² FLOPs 无饱和。

硬数字：8B 模型 GenEval overall 0.74（1024², w/DPO），超过此前 prompt-comprehension SOTA DALL·E 3（0.67），Two Objects 0.94、Color Attribution 0.60 尤为突出；人评 typography/prompt-following 等于或胜过 DALL·E 3 / MJ v6 / Ideogram v1。这套 DiT+flow 配方此后被本族全部后继者（SD3.5、整个 FLUX 系）继承。

注：SD3 论文成绩对应 8B 基座；实际首发的 SD3 Medium（2B）在人体解剖上口碑翻车，直接催生了 SD3.5。

6. 产品化重训（2024-10，SD3.5）—— 把 SD3 做成”可生态化底座”

stable-diffusion-3-5 是 SD3 Medium 翻车后基于社区反馈的重训，架构核心（rectified flow + MMDiT + 三编码器 + 16ch VAE）与 SD3 论文一致，未发独立技术报告。三个增量：(1) 把 QK-Normalization 系统性引入，既稳训又大幅提升下游可微调性（官方坦诚代价是同 prompt 不同 seed 方差更大——刻意保留更广风格多样性）；(2) Medium 专属 MMDiT-X（前若干层加双注意力）+ 多分辨率渐进训练（256→512→768→1024→1440 + mixed-scale）；(3) 对 Large 用 ADD（Adversarial Diffusion Distillation） 蒸出 4 步的 Large Turbo。

档位：Large 8.1B / Medium 2.5B（仅 9.9GB VRAM，不含文本编码器）/ Large Turbo（4 步、guidance 0）。它和同期 FLUX.1 形成”开源 MMDiT/flow 路线双雄”。SD3.5 自身未公布任何 GenEval/FID 绝对值，只有定性自评。

7. 工业化集大成（2024-08起，FLUX 家族）—— 原班人马的”再创业”

SD3 的核心作者出走创立 Black Forest Labs，flux-1（2024-08）是这条”潜空间+整流流+多模态 DiT”主线的工业化巅峰。它在 SD3 基础上把规模拉到 12B，并升级架构：

混合双流/单流块：先过 19 个双流块（MMDiT 式各持权重），拼接后过 38 个单流块，最后丢文本 token。
3D RoPE（每个潜 token 用 (t,h,w) 索引，单图 t≡0）——这给后续 Kontext 的”多图序列拼接”和视频扩展留好了接口。
融合 FFN + 并行注意力（ViT-22B 式，减半调制参数 + 融合 attn/MLP 线性层成大矩阵乘）提升吞吐。
16 通道 Flux-VAE（对抗目标从零训）：Kontext 论文 Table 1 给出它对全族 VAE 的碾压——PDist 0.332 / SSIM 0.896 / PSNR 31.1，全面优于 SD3-VAE(0.452/0.858/29.6)、SDXL-VAE(0.890/0.748/25.9)。

三档发布范式是其商业模式创新：[pro]（闭源 API 旗舰，超 MJ v6/DALL·E3 HD/SD3-Ultra）+ [dev]（开源、guidance 蒸馏、质量近 pro）+ [schnell]（Apache-2.0、LADD 蒸馏 1–4 步）。1024² 出图 3–5 秒。最大透明度缺口：FLUX.1 基座始终无技术报告，训练数据与算力完全未披露，架构细节要靠后续 Kontext 论文反推。

7.1 flux-1-1-pro（2024-10）—— 闭源旗舰 + API 商业化

“更快更好”的闭源迭代：比初代 [pro] 快 6×，以代号 “blueberry” 匿名进 Artificial Analysis Arena 登顶 Elo（截至 2024-10-01）。一个月后补 Ultra 模式（4× 分辨率、≤4MP、~10s/图）与 Raw 模式（真实摄影质感），上线 BFL API（4¢/图）。确立”开放权重(dev/schnell)+API 旗舰(pro)“双轨范本。

7.2 flux-1-tools（2024-11）—— 把 ControlNet/IP-Adapter “内化”进主干

四件套（Fill/Canny/Depth/Redux），创新不在新网络而在统一范式：Canny/Depth/Fill 走”VAE 编码条件图 + 沿通道维拼接 + 微调主干”（in_channels 64→128/384，Fill 含 256 通道显式 mask），没有旁路网络、没有 residual 注入——diffusers 文档明确”this is not a ControlNetModel”；Redux 走”SigLIP 图像 token 投影后拼进文本序列”的轻 adapter。每件 [dev](含 LoRA)+[pro] 双轨。Fill[pro] 号称彼时 inpainting SOTA、Depth[pro] 超 MJ ReTexture（均 ELO，无自动指标）。它的”参考图 token 当文本 token”思路直接通向 Kontext。

7.3 flux-1-kontext（2025-05）—— in-context 统一生成+编辑（FLUX 系唯一正式技术报告）

把参考图经冻结 Flux-VAE 编码成 latent token，直接追加到目标 token 后（论文试过通道拼接，效果更差故弃用），用 3D RoPE 常数偏移 区分 context/target（参考图当”虚拟时间步” u=(i,h,w)）。单一 rectified-flow DiT 同时做 T2I 与五类编辑（局部/全局/角色/风格/文字）。最大亮点是多轮编辑角色一致性（用 AuraFace 人脸相似度 量化，漂移显著慢于 GPT-Image-1/Runway Gen-4），1024² 3–5s（比 GPT-Image 快 ~8×）。自建 KontextBench（1026 image-prompt 对）。[dev] 12B 开源、只在 i2i 上训；[pro]=LADD、[max]=更多 compute。它也是全族唯一披露完整训练 infra 的（FSDP2 混合精度 bf16 all-gather + fp32 reduce-scatter、Flash Attention 3、regional compilation）。

7.4 flux-1-krea-dev（2025-07）—— “opinionated 后训练”专治 AI 味

架构完全不变（12B、drop-in 替换 FLUX.1 [dev]），创新全在后训练方法论：用 BFL 提供的”未烘焙(raw)“base flux-dev-raw → SFT（手工策展 + 混入 Krea 1 合成样本稳定 checkpoint）→ 自研偏好优化 TPO（DPO 系）。核心论点反主流：主观美学不应用全局/平均偏好对齐（在公开偏好集 PickScore/ImageReward 上训练会引发”色板坍缩 color palette collapse”、构图对称化、纹理过软、回归 AI look），而应故意过拟合到一种明确艺术方向。实证”<1M 数据即可做好后训练，质量 > 数量”。人评中与闭源 FLUX1.1 [pro] 持平（无具体数字）。

7.5 flux-2（2025-11）—— 全新架构、从零预训练

不是 FLUX.1 的 drop-in，而是新一代，目标转向”真实生产工作流”。两条关键升级：

大 VLM 单编码器：用 Mistral-3 24B VLM 替换 FLUX.1 的 CLIP+T5 双编码器（取中间层 [10,20,30] 堆叠、len 512），把世界知识/上下文理解灌进生成，同时承担多参考图理解。
从零重训的 128 通道 VAE：以”可学习性-质量-压缩三难”为框架，引入 REPA/DINOv2 式语义正则 + 放大潜维度。每 token 通道数演进 SD 16 / FLUX.1 64 / FLUX.2 128；rFID 0.1124（族内最佳），可学习性 gFID 3.70（FLUX.1 的 10.13 → -63.4%）。

DiT 也改：8 双流 + 48 单流（偏向单流，FLUX.1 为 19/38）、共享调制（DiT-Air）、全程无 bias、SwiGLU。[dev] 32B 开源，统一文生图 + ≤10 张参考图编辑、4MP。人评胜率 T2I 66.6% / 多参考 63.6% / 单参考 59.8%（vs 主流开源）。代价：32B 全量 bf16 >80GB VRAM，消费级需 NF4/FP8 量化（最低 group-offload 8GB）。

7.6 flux-2-klein（2026-01）—— “蒸馏出的小模型” + 交互式视觉智能

把 32B FLUX.2 base 通过尺寸蒸馏 + 步数蒸馏(4步) + 引导蒸馏三重压成 4B/9B（“比同尺寸从头训练更强、保留教师大部分能力”）。关键差异：klein 换文本编码器为 Qwen3 嵌入器（4B 用 Qwen3-4B、9B 用 Qwen3-8B，取层 [9,18,27]），而非 base 的 Mistral-24B——验证”换更小但够强的 LLM 当 text embedder”可行。4B 消费级 ~13GB / 4 步 / <0.5s，Apache-2.0。工程创新 KV-cache 编辑加速：把 LLM 的 KV-cache 搬到 diffusion 多参考编辑（参考 token 跨去噪步不变，一次编码复用），多参考 2–2.7× 提速且不掉质量。9B distilled “匹配/超过 5× 尺寸模型，且在半秒内”。

8. 五条演进主线（把零件的变化串成趋势）

8.1 Backbone：U-Net → MMDiT → 偏单流的高效 DiT

LDM/SD1/SD2 U-Net(860–865M) → SDXL 异构 U-Net(2.6B) → Stable Cascade 抛 U-Net 用 ConvNeXt（旁支） → SD3 MMDiT(8B)，文图双流各持权重、attention 处共享 → FLUX.1 双流19+单流38(12B) → FLUX.2 双流8+单流48(32B)，共享调制/无bias/SwiGLU → klein 缩小版(4B 双流5+单流20 / 9B 8+24)。趋势是参数重心从双流移向单流（FLUX.1[dev] 54% 参数在双流块，FLUX.2[dev] 仅 ~24%），单流块更省算力。

8.2 训练目标：DDPM ε-pred → v-pred → rectified flow

LDM/SD1 ε-pred(1000步 linear) → SD2-768 v-prediction → SDXL DSM + offset-noise → SD3 起全族 rectified flow + logit-normal 时间步加权(0,1)。SD3 用 61 公式对比把整流流钉成 SOTA 实践后，FLUX 全系无一例外是 rectified flow。加速侧：从无蒸馏(SD1/SDXL)，到 ADD（SDXL-Turbo/SD3.5 Turbo 4 步）、guidance 蒸馏（FLUX [dev]）、LADD（schnell/Kontext[pro] 1–4 步）、到 klein 的三重蒸馏（尺寸+步数+引导）。

8.3 文本编码器：从单 CLIP 到大 VLM

LDM 自训 BERT-Transformer → SD1 冻结 CLIP ViT-L(768) → SD2 OpenCLIP ViT-H(1024) → SDXL 双编码器 CLIP-L⊕bigG(2048) → SD3/SD3.5 三编码器 CLIP-L+bigG+T5-XXL(4.7B) → FLUX.1 T5+CLIP → FLUX.2 Mistral-3 24B VLM 单编码器 → klein Qwen3 嵌入器。质的飞跃在 FLUX.2：从”专用文本/对齐编码器拼接”变成”直接拿一个大语言/视觉模型的隐状态当条件”，把世界知识引入图像生成（取中间层而非末层，arXiv:2505.10046）。

8.4 VAE 潜空间：通道数一路狂飙，重建天花板抬高

SD/SDXL f=8、4 通道（SDXL 重训 VAE rFID 4.4）→ SD3/FLUX.1 16 通道（SD3 重建 FID 1.06；Flux-VAE PDist 0.332/PSNR 31.1）→ FLUX.2 128 通道（rFID 0.1124）。Stable Cascade 是异类——不是加通道而是把空间压缩从 8× 推到 42×（语义级压缩 + 两级解码器）。FLUX.2 还引入 REPA 语义正则解决”重建质量 vs 潜空间可学习性”的张力，这是把学术界 REPA-E/RAE 路线带进工业旗舰。

8.5 评测哲学：本族集体”轻 FID、重人评”

SDXL 论文白纸黑字论证 COCO zero-shot FID 与人类审美负相关，自此 SD1/SD2/SDXL/SD3.5 都只发相对 pareto 图或定性自评，唯一公布 GenEval 绝对值的是 SD3（0.74）。FLUX 全系更彻底——只发 ELO/人评胜率（FLUX.2 T2I 66.6%）和 VAE 重建硬数字，GenEval/DPG/HPSv2/PickScore 等标准 t2i 自动指标官方一律未报告。Kontext 甚至提出 “bakeyness（AI 味）” 概念批判单一偏好评测会偏向过饱和。这是一个一致的、需要读者警惕的口径——本族横评只能靠人评和 VAE 指标，难以用统一自动 benchmark 排座次。

9. 一句话收束

这条谱系的内核 5 年没变（VAE 潜空间 + 生成 backbone + 注意力注入文本），但每个零件都被换了一遍，且换零件的节奏越来越快：2021–2023 是 U-Net + DDPM 的渐进放大（LDM→SD→SDXL），2024-03 的 SD3 是分水岭（一次性换上 MMDiT + rectified flow + 16ch VAE + 三编码器），此后原班人马把它工业化成 FLUX 并持续加速——2024 三档蒸馏发布、2025 in-context 统一编辑(Kontext)与 opinionated 后训练(Krea)、2025-11 换大 VLM 编码器与 128ch VAE(FLUX.2)、2026 三重蒸馏的交互级小模型(klein)。如果说 SD3 论文回答了”用什么生成式公式 + 怎么注入文本”，那么 FLUX 系正在回答下一个问题：怎么把图像生成模型变成一个能感知、生成、记忆、推理的多模态智能体的一部分——FLUX.2 用大 VLM 当编码器、klein 主打”交互式视觉智能”，已经是这个方向的脚注。

AI Research 技术调研

探索

模型族横向对比：Stable Diffusion → SDXL → SD3 → FLUX 谱系