生成式人工智能技术已成为业界的焦点，它能够根据文本提示创造出图像或视频。目前的先进模型依赖于一个耗时的扩散过程来生成单一图像，可能需要5秒钟，并且要多次调用庞大的神经网络。因此，研究的热点是如何在保证图像质量的同时，加快图像的生成速度。
一、SDXL-Lightning是什么？
SDXL-Lightning 模型是从 Stability AI 的 stable-diffusion-xl-base-1.0 模型中，使用了一种结合渐进式和对抗式蒸馏的扩散蒸馏方法提炼出来的。渐进式蒸馏使提炼后的模型能保留原模型的图像风格和种类，对抗式蒸馏则用于提升图像生成质量，二者结合使 SDXL-Lightning 在图像的快速生成和高质量、多样化之间找到了一个平衡点， 使其在快速出图的同时，依旧能保持较高的图像质量，并且能够覆盖广泛的图像模式。
下面是官方给出的对比图，可以看到 SDXL-Lightning 在 2-8 步之间的生成效果都不错，8 步时质量最稳定，甚至与 SDXL 模型 32 步的生成效果不相上下；即使在 4 步的条件下，在图像质量以及风格多样性也比 Turbo 和 LCM 模型好很多。
二、SDXL-Lightning的官方在线体验地址：
https://huggingface.co/spaces/AP123/SDXL-Lightning
三、SDXL vs Lightning vs Turbo 的快速比较工具：
https://anotherjesse.com/posts/sdxl-lightning/
四、在 ComfyUI 中使用 SDXL-Lightning 模型
1、模型地址：
https://huggingface.co/ByteDance/SDXL-Lightning/tree/main
2、官方工作流：
https://huggingface.co/ByteDance/SDXL-Lightning/tree/main/comfyui
字节跳动目前已经放出了 SDXL-Lightning 完整的模型和工作流资源，模型包括 Checkpiont 和 Lora 两种。
Checkpiont 模型分为 1step、2step、4step、8step 四款，1step 虽然出图速度最快，但效果不稳定，所以推荐使用 4step 或 8step，下面以 4step 模型为例，讲解一下基础用法。
- 首先下载 sdxl_lightning_4step.safetensors 大模型，安装到根目录的 models/checkpoints 文件夹中（如果是和 SD WebUI 共享资源，则放到 WebUI 的根目录中）。
- 将 ComfyUI 更新到最新版本，然后把 comfyui_sdxl_lightning_workflow_full 工作流留拖入界面中。
- 需要确认的设置有：① Ksampler 中得生成步数要与你选择的大模型保持一致，这里我载入的是 4step 大模型，所以生成步数设置为 4 步；② 推荐使用 Euler 采样器与 sgm_uniform 调度器。
- 设置完成后就能生成了，经测试生成一张 1024*1024 px 的图片只需要 6 秒，并且质量非常高。
除了官方的 4 个大模型，开源社区中 DreamShaperXL 大模型也已经有了 Lightning 微调版本，并且其图像质量及风格美学在一定程度上优于官方模型。如果想使用它，工作流同上，对应的参数设置为：CFG 为 2，采样步数 3-6，采样器必须为 DMP++ SED Karras，尺寸推荐 1024 px。
SDXL Lightning Lora 模型则有 3 款：2step、4step 和 8step，它们可以与其他任意 SDXL 大模型搭配，在提升出图速度的同时保持原模型的风格。具体工作流如下（文末有资源包），使用前需要先下载一个 LightningLlora 模型并安装到根目录的 models/lora 文件夹中 。
我使用的是动漫风大模型 CounterfeitXL 和 Lightning_4step_lora 模型， 生成一张 768*1024px 图像的时间为 4s，图像在风格与细节上与原模型几乎没有差别，只在颜色上不如原来明亮了，但可以通过添加 VAE 模型来改善这个问题。 如此短的时间内实现这样高的质量，Lightning lora 的作用还是非常惊人的，它可以有效提升我们使用 XL 大模型的效率。
五、如何在本地使用SDXL-Lightning？
为了让更多用户能够轻松体验这一技术，我们将SDXL-Lightning打包成了一键启动包。现在，您无需繁琐地配置Python环境，只需简单点击即可启动程序，从而避免了潜在的环境配置问题。
