(1) SDXL（Stable Diffusion XL）

• 标准扩散模型，基于传统的多步去噪（通常 20~50 步）。

• 训练充分，特征更稳定，适合用于特征提取、方向学习（如 LoRA、SAE）。

• 计算成本高，推理速度较慢。

(2) SDXL-Turbo

• 基于蒸馏（Adversarial Diffusion Distillation, ADD）的快速模型，只需 1~4 步就能生成高质量图像。

• 推理速度极快（接近实时），但特征空间可能不如 SDXL 稳定。

• 更适合实际应用部署，如实时生成、交互式编辑。

---

2. 为什么训练用 SDXL，推理用 SDXL-Turbo？

(1) 训练阶段需要稳定的特征

• SDXL 的多步去噪过程能提供更平滑的 latent space，适合训练 SAE（Sparse Autoencoder）、LoRA 等适配器。

• SDXL-Turbo 的蒸馏过程导致 latent 分布可能更“压缩”，直接训练可能不稳定。

(2) 推理阶段需要速度

• SDXL-Turbo 的 1~4 步推理比 SDXL 快 10~50 倍，适合实际应用。

• 只要训练的特征方向（Δe）在 SDXL-Turbo 的 latent space 仍然有效，就可以直接迁移使用。

(3) 论文中的例子

在论文的 Real Image Editing（Fig. 8）部分：

• 训练 Δe（属性方向）用的是 SDXL（因为需要稳定的特征学习）。

• 推理（编辑真实图像）用的是 SDXL-Turbo + ReNoise（因为需要快速生成）。

---

3. SDXL 和 SDXL-Turbo 的兼容性

(1) 共享相同的 CLIP 文本编码器

• 两者都使用 OpenAI CLIP-ViT/L + OpenCLIP-ViT/bigG，所以文本嵌入（text embeddings）是兼容的。

• 论文的方法（修改 token embedding）在这两个模型上都能直接使用。

(2) U-Net 的潜在空间相似

• SDXL-Turbo 是 SDXL 的蒸馏版本，latent space 结构基本一致，只是优化了推理路径。

• 学习到的 Δe（如“年龄方向”）在两者之间可以迁移，但可能需要调整强度（λ）。

(3) 可能的调整

• 由于 SDXL-Turbo 的 latent 更“紧凑”，相同的 Δe 可能需要较小的 λ（比如 SDXL 用 λ=2，SDXL-Turbo 用 λ=1）。

• 如果直接迁移效果不好，可以在 SDXL-Turbo 上微调 Δe（但论文发现零样本迁移通常足够）。

---

4. 为什么不全用 SDXL-Turbo？

• 训练阶段：SDXL-Turbo 的 latent 动态范围较小，训练 SAE/LoRA 可能不如 SDXL 稳定。

• 特征学习：SDXL 的多步去噪能更好地捕捉语义方向，而 SDXL-Turbo 的快速推理可能丢失一些细节。

结论：

• 混用是合理的，因为 SDXL 适合训练，SDXL-Turbo 适合推理。

• 只要文本编码器一致，学习到的 Δe 可以跨模型使用，但可能需要调整 λ。

• 如果追求最佳效果，可以在目标模型（如 SDXL-Turbo）上微调 Δe，但论文表明零样本迁移通常足够。