SDXL rápido: Turbo, Lightning y checkpoints híbridos
SDXL Turbo y Lightning usan 1 a 8 pasos con CFG=0. Lo que impone cada método de destilación y lo que sacrificas.
On this page
SDXL rápido: Turbo, Lightning y checkpoints híbridos
TL;DR
- SDXL Turbo usa Adversarial Diffusion Distillation (ADD) para producir imágenes usables en 1 paso y alcanza la calidad del profesor (SDXL Base) en 4 pasos — pero exige guidance_scale=0.0 y no admite prompts negativos.
- SDXL Lightning destila SDXL Base en variantes de 1, 2, 4 y 8 pasos; todas exigen CFG=0 y un Euler scheduler con timesteps trailing. La variante de 1 paso es experimental e inestable.
- Los checkpoints híbridos como Sleipnir TLH fusionan capas de distilación Turbo y Lightning sobre una base SDXL HEL — manejan 8+ pasos con un alto rango de CFG, más tolerantes para flujos de ComfyUI que necesiten control tradicional de CFG.
- FameGrid no es una variante destilada: es un ajuste fino estándar de SDXL que necesita 20–30+ pasos con CFG 2–7, y su calidad "instantánea" proviene de datos de entrenamiento curados, no de destilación en pocos pasos.
¿Cuántos pasos puedes usar en realidad?
SDXL Turbo fue entrenado para generar en una sola evaluación de red, así que 1 paso es el mínimo. La tarjeta de modelo de Stability AI indica que "un solo paso basta para generar imágenes de alta calidad" y que cuatro pasos mejoran aún más consistencia y detalle (SDXL Turbo). El artículo de investigación ADD lo confirma: ADD-XL iguala a su profesor SDXL Base en 4 pasos a resolución 512×512, y la salida de 1 paso ya supera métodos anteriores de pocos pasos como LCM-XL (artículo de ADD).
SDXL Lightning amplía el rango. ByteDance ofrece checkpoints para 1, 2, 4 y 8 pasos, con los modelos de 2, 4 y 8 pasos descritos como de calidad "amazing". El modelo de 1 paso se marca explícitamente "experimental" y "mucho menos estable" — los autores recomiendan la variante de 2 pasos para producción (SDXL Lightning).
El coste de usar menos pasos no es un precipicio en el paso 4. La Tabla 1 del artículo ADD muestra puntuaciones FID (menor es mejor) de 20,6 en 1 paso, 20,3 en 2 pasos y 20,3 en 4 pasos — las mejoras de calidad de 2→4 pasos son marginales, no dramáticas (artículo ADD). El beneficio principal de usar más pasos es la consistencia determinista: la misma semilla produce layouts más reproducibles y más detalle fino a medida que aumentan los pasos.
Sleipnir [TLH] (Turbo, Lightning, Hyper) ocupa un nicho distinto. Es una fusión comunitaria de checkpoints sobre la base SDXL HEL (Ratatoskr Helheim). Su creador afirma que corre "muy rápido desde mínimo 8 pasos" y "puede manejar cualquier conteo de pasos y tiene un alto rango cfg" (Sleipnir TLH). La arquitectura exacta del componente "Hyper" no está documentada — trátalo como un tercer sabor de destilación distinto de ADD y de la destilación adversarial progresiva.
La restricción de CFG que impone cada modelo
| Modelo | Pasos | CFG | Scheduler | Notas |
|---|---|---|---|---|
| SDXL Turbo | 1–4 | 0.0 | EulerDiscreteScheduler (por defecto) | Sin compatibilidad con negative_prompt |
| SDXL Lightning (variantes 2/4/8) | 2/4/8 | 0.0 | EulerDiscreteScheduler, timesteps trailing | LoRA o UNet completo |
| SDXL Lightning (1 paso) | 1 | 0.0 | EulerDiscreteScheduler, trailing + prediction_type="sample" | Experimental, predicción x₀ |
| FameGrid | 20–30+ | 2–7 | DPM++ 3M SDE / Uni Pc / DPM SDE; Karras | SDXL estándar, no destilado |
| Sleipnir [TLH] | 8+ | Alto rango | No especificado | Fusión de checkpoints; componente Hyper no documentado |
Por qué Turbo y Lightning exigen ambos CFG=0
Turbo y Lightning usan entrenamiento basado en destilación. Turbo emplea Adversarial Diffusion Distillation, que combina pérdida adversarial (para ajustarse al manifold de imágenes reales) con pérdida de destilación (para igualar las salidas de un modelo profesor congelado). Este objetivo híbrido reemplaza la necesidad de guidance libre de clasificador en inferencia — el modelo estudiante aprende a generar directamente desde el ruido. El artículo de ADD afirma explícitamente que "durante la inferencia, nuestro enfoque no usa classifier-free guidance" (artículo ADD).
Lightning usa Progressive Adversarial Diffusion Distillation, que también destila el profesor SDXL Base en un estudiante que corre en 1–8 pasos. La tarjeta de Lightning advierte: "Ensure using the same inference steps as the loaded model and CFG set to 0" para cada variante de conteo de pasos (SDXL Lightning). Intentar usar CFG>0 con cualquiera introduce una señal de condicionamiento que el estudiante nunca fue entrenado para interpretar, lo que degrada la calidad.
Qué pasa si ignoras CFG=0
La documentación fuente es inequívoca: tanto Turbo como Lightning especifican CFG=0 como requisito estricto, no sugerencia. La tarjeta de Turbo afirma "SDXL-Turbo does not make use of guidance_scale or negative_prompt" (HF). Los ejemplos de código de Lightning repiten guidance_scale=0 en cada extracto de inferencia para las cuatro variantes de pasos (HF). No existe medición cuantitativa en fuentes autorizadas de cuánto se degrada la calidad con CFG>0.
Lo que sacrificas con menos pasos
Alineación del prompt y detalle
1 paso de ADD-XL supera a LCM-XL en 4 pasos en preferencia humana tanto para calidad como para alineación con el prompt (SDXL Turbo). Pero el artículo de ADD advierte que las muestras de un paso, aunque ya de alta calidad, pueden mostrar menor atención al detalle en composiciones complejas (artículo ADD).
Capacidad de refinamiento iterativo
El artículo ADD afirma que Turbo conserva "la capacidad de mejorar resultados mediante refinamiento iterativo", ventaja frente a enfoques GAN de un paso (artículo ADD).
Cobertura de modos y diversidad
El artículo de Lightning discute lograr "balance entre calidad y cobertura de modos" (artículo Lightning). La destilación puede reducir diversidad para tipos de sujeto subrepresentados (artículo Lightning).
Compatibilidad con prompt negativo
Turbo elimina los prompts negativos por completo. Lightning no elimina explícitamente el mecanismo, pero al exigir guidance_scale=0, los prompts negativos no tienen efecto de todas formas — el condicionamiento libre de clasificador se evita. Si tu flujo depende de prompts negativos para suprimir artefactos (dedos extra, texto de marca de agua), ni Turbo ni Lightning los respetarán.
El caso FameGrid: qué significa en realidad "rápido"
FameGrid es un checkpoint de ajuste fino estándar de SDXL, no un modelo destilado de pocos pasos. Requiere 20–30+ pasos de difusión con CFG 2–7, usa samplers DPM++ 3M SDE o Uni Pc con scheduler Karras, y tiene tres variantes (Photo Real, Bold, UltraReal) (FameGrid).
La calidad "ultra-real" de FameGrid proviene del entrenamiento en un subconjunto curado de 100 imágenes y del ajuste fino fotorealista — no de la destilación. Tratar FameGrid como checkpoint "rápido" es un error de categoría.
El flujo de FameGrid recomienda ControlNet y el nodo Skin Detail — pero son decisiones del flujo de ComfyUI, no restricciones del modelo (flujo FameGrid).
Errores comunes y correcciones
| Error | Síntoma | Causa | Corrección |
|---|---|---|---|
| Usar CFG>0 con Turbo o Lightning | Imágenes borrosas, desalineadas o degradadas | Ambos modelos se entrenaron sin guidance libre de clasificador | Establece guidance_scale=0.0 para ambos |
| Usar Turbo en 1024×1024 sin redimensionar | Mala composición o errores de OOM | Turbo usa resolución nativa 512×512 | Redimensiona a 512×512 antes de la inferencia; tamaños mayores funcionan pero no son nativos |
| Tratar Lightning de 1 paso como equivalente a Turbo de 1 paso | Calidad inconsistente | Distintos métodos de destilación y configs de scheduler | Turbo 1 paso usa Euler estándar; Lightning 1 paso requiere Euler + trailing + prediction_type="sample" |
| Asumir que "híbrido" = mezcla Turbo+Lightning | Confusión sobre arquitectura del modelo | "Híbrido" es etiqueta de fusión comunitaria, no categoría formal de destilación | Verifica cada componente de un checkpoint fusionado por separado |
| Ejecutar FameGrid en 1–4 pasos | Imágenes ruidosas e incompletas | FameGrid no es modelo destilado — necesita 20–30+ pasos | Usa 20–30 pasos con CFG 2–7 |
FAQ
P: ¿Cuántos pasos puede usar en realidad SDXL Turbo? R: 1 paso. Turbo está diseñado para generar en un solo paso y produce salida usable en 1 paso. Subir a 2–4 pasos refina consistencia y detalle, pero la mejora es marginal — el principal compromiso es fiabilidad determinista, no mejora dramática. Un paso ya roza la calidad de SDXL Base en estudios de preferencia humana.
P: ¿Cuál es la restricción de CFG para SDXL Lightning? R: CFG debe ser 0, sin importar el conteo de pasos. Lightning elimina la guidance libre de clasificador mediante su proceso de destilación. Usar CFG>0 introduce una señal de condicionamiento que el estudiante nunca fue entrenado para procesar.
P: ¿Se pueden mezclar checkpoints Turbo y Lightning en un flujo? R: No hay evidencia que lo soporte. Turbo es un estudiante ADD; Lightning usa destilación adversarial progresiva con configs de scheduler distintos. Son incompatibles arquitectónicamente.
P: ¿Cuántos pasos necesita FameGrid? R: FameGrid es un checkpoint estándar de SDXL, no destilado. Usa 20–30+ pasos con CFG 2–7. Su calidad "instantánea" proviene de datos de entrenamiento curados y del ajuste fino fotorealista, no de destilación en pocos pasos.
P: ¿Qué es Sleipnir TLH y en qué se diferencia? R: Sleipnir TLH es una fusión de checkpoints sobre base SDXL HEL que combina los sabores de destilación Turbo, Lightning e Hyper. Admite 8+ pasos con un alto rango de CFG.
P: ¿Está el modelo de 1 paso de Lightning listo para producción? R: No. ByteDance etiqueta el modelo de 1 paso como experimental y menos estable, y recomienda la variante de 2 pasos para producción. El modelo de 1 paso también requiere prediction_type="sample".
P: ¿Necesito prompt negativo con Turbo o Lightning? R: No. La tarjeta de Turbo afirma que no usa negative_prompt. El requisito CFG=0 de Lightning hace que los prompts negativos no tengan efecto. Usa ingeniería de prompts o posprocesamiento en su lugar.
Consulta nuestra guía de CFG scale para afinar más allá de estas restricciones estrictas. Consulta nuestra guía de fusión de modelos para saber cómo se construyen checkpoints híbridos como Sleipnir TLH.
Consulta nuestra guía de flujos de upscaling para saber cuándo escalar salida de Turbo/Lightning vs usar un modelo base.