Stable Diffusion XL (SDXL) calculadora TPS

Abre pesos Stability AI 3.4B parámetros July 2023

Cada tarjeta a continuación se evalúa en función de este modelo en la longitud de contexto y calidad mínima que elijas. La velocidad es una estimación para una sola solicitud, calculada a partir del ancho de banda de memoria de la tarjeta y el tamaño del modelo una vez comprimido..

Calculado para este modelo

818 tarjetas que pueden ejecutarlo

818 tarjetas que tenemos especificaciones para

Tarjeta más pequeña que cabe

Tesla C1080

4 GB · Q6_K · 15.8 tok/s

Tarjeta más rápida

B200

997 tok/s · 180 GB

¿Qué GPU pueden ejecutar? Stable Diffusion XL (SDXL)?

Establecer las entradas, leer la respuesta

Longitud del contexto tokens

Una conversación más larga necesita más VRAM, lo que puede expulsar este modelo de tarjetas más pequeñas..

Calidad mínima

Oculta tarjetas que solo se ajustarían al modelo comprimiéndolo por debajo de este punto..

Buscar tarjetas

Memoria de la tarjeta

También muestra tarjetas que no pueden ejecutarlo.

818 las tarjetas coinciden

Calculando

					Necesita	Cuantización	Ajustar
997 tok/s 598–1,594 · baja confianza	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	4.3 GB	Q8_0	Cómodo
997 tok/s 598–1,594 · baja confianza	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	4.3 GB	Q8_0	Cómodo
796 tok/s 477–1,273 · baja confianza	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	4.3 GB	Q8_0	Cómodo
796 tok/s 477–1,273 · baja confianza	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	4.3 GB	Q8_0	Cómodo
636 tok/s 382–1,018 · baja confianza	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	4.3 GB	Q8_0	Cómodo
609 tok/s 365–975 · baja confianza	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.3 GB	Q8_0	Cómodo
609 tok/s 365–975 · baja confianza	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	4.3 GB	Q8_0	Cómodo
583 tok/s 350–933 · baja confianza	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	4.3 GB	Q8_0	Cómodo
517 tok/s 310–828 · baja confianza	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	4.3 GB	Q8_0	Cómodo
517 tok/s 310–828 · baja confianza	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	4.3 GB	Q8_0	Cómodo
517 tok/s 310–828 · baja confianza	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	4.3 GB	Q8_0	Cómodo
491 tok/s 294–785 · baja confianza	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo
419 tok/s 251–670 · baja confianza	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo
419 tok/s 251–670 · baja confianza	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	4.3 GB	Q8_0	Cómodo
419 tok/s 251–670 · baja confianza	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo
419 tok/s 251–670 · baja confianza	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo
419 tok/s 251–670 · baja confianza	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo
319 tok/s 191–510 · baja confianza	Radeon Instinct MI250 AMD	128 GB	3,280 GB/s	Nov 2021	4.3 GB	Q8_0	Cómodo
319 tok/s 191–510 · baja confianza	Radeon Instinct MI250X AMD	128 GB	3,280 GB/s	Nov 2021	4.3 GB	Q8_0	Cómodo
266 tok/s 159–425 · baja confianza	Data Center GPU Max 1550 Intel	128 GB	3,280 GB/s	Jan 2023	4.3 GB	Q8_0	Cómodo
260 tok/s 156–416 · baja confianza	Data Center GPU Max Subsystem Intel	128 GB	3,210 GB/s	Jan 2023	4.3 GB	Q8_0	Cómodo
254 tok/s 152–407 · baja confianza	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	4.3 GB	Q8_0	Cómodo
254 tok/s 152–407 · baja confianza	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	4.3 GB	Q8_0	Cómodo
254 tok/s 152–407 · baja confianza	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	4.3 GB	Q8_0	Cómodo
254 tok/s 152–407 · baja confianza	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	4.3 GB	Q8_0	Cómodo

Las velocidades son estimaciones para una sola solicitud — una conversación a la vez — calculadas a partir del ancho de banda de memoria, el tamaño del modelo y la cuantificación. El rendimiento real varía con el tiempo de inferencia y su versión. Las cifras publicadas por los proveedores de hardware miden muchas solicitudes simultáneas y son mucho más altas..

En registro

especificación completa

Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..

Origen

Quién construyó este modelo, dónde, y cuándo fue publicado.

Organización: Stability AI
Tipo de Organización: Industry
País: United Kingdom of Great Britain and Northern Ireland
Publicado: 4 July 2023
Autores: Dustin Podell, Zion English, Kyle Lacey, Andreas Blattmann, Tim Dockhorn, Jonas Müller, Joe Penna, Robin Rombach

Lo que hace

Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.

Dominio: Image generation
Tarea: Image generation, Text-to-image

Tamaño

Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.

parámetros: 3.4B
Datos de entrenamiento: tokens

Disponibilidad

Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.

Pesos: Open — downloadable
Acceso al modelo: Open weights (non-commercial)
Código de entrenamiento: Unreleased
Hugging Face: stabilityai

Cómo está clasificado

Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.

Probablemente por encima de 10²³ FLOP: Yes
Por qué se rastrea: Significant use
Confianza de registro: Speculative
Citas: 4,666

Fuentes

De dónde proviene este registro y cuándo fue comprobado por última vez.

Referencia: SDXL: Improving Latent Diffusion Models for High-Resolution Image Synthesis
Última actualización: 25 May 2026

Los extremos

Las diez GPUs más rápidas que ejecutan Stable Diffusion XL (SDXL)

Clasificado por tokens estimados por segundo, la tarjeta más nueva primero donde las velocidades están empatadas. Debido a que la generación está limitada por el ancho de banda de memoria, este orden sigue el ancho de banda en lugar de cualquier referencia de juego..

Las GPUs más pequeñas que aún funcionan Stable Diffusion XL (SDXL)

La ruta más barata para entrar, por capacidad de memoria. Un ajuste apretado ejecuta el modelo pero no deja nada de sobra para una conversación más larga..

Qué significan los números

Requisitos de hardware en la práctica

Mínima tarjeta

Tesla C1080

Memoria necesaria

3.5 GB

Más rápido

997 tok/s

Stable Diffusion XL (SDXL) llega a un recuento de parámetros de 3.4B. Eso es lo suficientemente pequeño como para que el hardware rara vez sea el obstáculo, incluso en tarjetas de varios años. El número de tarjetas que rastreamos que pueden ejecutarlo: 818.

El punto de entrada es Tesla C1080, con una capacidad de memoria de 4 GB, ejecutándolo a una compresión de Q6_K y produciendo alrededor 15.8 tokens por segundo

Lo más rápido que calculamos para ello es B200, generando aproximadamente 997 tokens por segundo en la fuerza de un ancho de banda de memoria de 8,000 GB/s.

Acerca de este modelo

Stable Diffusion XL (SDXL) fue publicado por Stability AI, en el país registrado como United Kingdom of Great Britain and Northern Ireland, durante July 2023. La organización editora está clasificada como industry.

Funciona en el dominio de Image generation, y se registra como realizando la tarea de image generation, Text-to-image.

Debido a que sus pesos fueron liberados, nada sobre ejecutar el modelo depende de un proveedor que permanezca disponible — es tuyo una vez descargado. En Hugging Face está publicado bajo la organización stabilityai.

Qué tan rápido corre, y por qué

El resultado mediano es alrededor de 31.6 tokens por segundo. Produciendo texto más rápido de lo que la mayoría de las personas lo leen. 777 de ellos.

Cada peso participa en cada token aquí, por lo que el ancho de banda es la historia completa: el ranking a continuación es efectivamente un ranking de rendimiento de memoria.

Su arquitectura interna no está en nuestra base de datos, por lo que la memoria se aproxima a partir del conteo de parámetros y se marca en consecuencia. Se espera que la cifra real difiera, más aún en contextos largos.

Cómo fue entrenado

Su criterio de inclusión: significant use.

Paso a paso

Cómo elegir una GPU para Stable Diffusion XL (SDXL)

La tabla de arriba ya ha evaluado cada tarjeta para la que tenemos especificaciones en contra de este modelo. Llegar a tu respuesta toma seis pasos..

01

Comienza desde la columna de memoria

La tabla enumera cada tarjeta capaz de contener Stable Diffusion XL (SDXL), necesitando alrededor 3.5 GB a una compresión de Q6_K. La capacidad es la puerta: una tarjeta o la sostiene o no la sostiene.
02

Establece la longitud de contexto en la que trabajarás.

Las conversaciones más largas consumen memoria además de lo que los pesos necesitan. Mueve el control deslizante a tu longitud de trabajo real antes de confiar en cualquier fila para Stable Diffusion XL (SDXL).
03

Establecer un umbral de calidad

La compresión es lo que hace que un modelo quepa en tarjetas más pequeñas, a costa de cierta precisión., alcanzando una compresión de Q6_K en la tarjeta más pequeña que cabe. Establecer una calidad mínima elimina las tarjetas que solo la manejan apretando más de lo que desearías, y mantiene la comparación en un nivel.
04

Clasifica por rendimiento en lugar de la hoja de especificaciones.

La velocidad de ordenación es efectivamente un ordenamiento por ancho de banda de GPU. Stable Diffusion XL (SDXL). No se ajustará a un pedido de gaming, porque la generación está limitada por el ancho de banda de memoria. La tarjeta que encabeza la lista es B200, en 997 tok/s
05

Verifica el veredicto de ajuste antes de comprar

La columna de ajuste separa las TARJETAS que apenas lo gestionan de aquellas con espacio de sobra, en el caso de Stable Diffusion XL (SDXL). Cómodo significa que puedes aumentar el contexto más adelante. Esa diferencia importa más que unos pocos tokens por segundo, así que compra por cómodo si esperas hacerlo.
06

Mira qué más ejecuta esa tarjeta

Seguir un GPU a su propia página muestra cada otro modelo que puede contener, que es la pregunta que sigue una vez que te has decidido por. Stable Diffusion XL (SDXL).

Respuestas

Stable Diffusion XL (SDXL) — preguntas comunes

Stable Diffusion XL (SDXL)— ¿Es de código abierto?

Sus pesos están publicados, por lo que se pueden descargar y ejecutar en su propio hardware. Tenga en cuenta que OPEN WEIGHTS no es lo mismo que OPEN SOURCE en el sentido completo: no dice nada sobre los datos de entrenamiento, el código de entrenamiento o los términos comerciales adjuntos.

Stable Diffusion XL (SDXL)— ¿cuántos parámetros tiene?

Tiene un recuento de parámetros de 3.4B. "...result in a model size of 2.6B parameters in the UNet, see Tab. 1. The text encoders have a total size of 817M parameters.". Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.

Stable Diffusion XL (SDXL)— ¿Quién lo creó?

Fue publicado por Stability AI, basado en United Kingdom of Great Britain and Northern Ireland, una organización categorizada como industry.

Stable Diffusion XL (SDXL)— ¿cuándo fue lanzado?

Se publicó en July 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.

Stable Diffusion XL (SDXL)— ¿Para qué se utiliza?

Funciona en el dominio de Image generation, y se registra como manejando la tarea de image generation, Text-to-image. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.

Stable Diffusion XL (SDXL)— ¿Dónde puedo descargarlo?

Sus pesos están publicados en Hugging Face, bajo la organización stabilityai. No alojamos archivos de modelo — este sitio calcula qué hardware se necesita para ejecutarlos.

Stable Diffusion XL (SDXL)— ¿Puedo ejecutarlo si no cabe en mi GPU?

En parte. Las capas que no se ajustan se encuentran en la memoria del sistema y funcionan a una fracción de la velocidad, por lo que un modelo mayoritariamente descargado rara vez merece la pena utilizar. Cada cifra aquí asume que todo el modelo está residente en la tarjeta.

Stable Diffusion XL (SDXL)— ¿Correrían dos GPUS más rápido?

La capacidad se suma entre las tarjetas; el rendimiento no. El número de tarjetas que ya lo tienen por sí solas: 818. Así que una segunda tarjeta rara vez es la respuesta aquí.

Stable Diffusion XL (SDXL)— ¿Por qué difiere la cuantificación entre tarjetas?

Cada tarjeta se muestra ejecutando la copia menos comprimida que puede contener. El número de niveles de compresión distintos entre las tarjetas que lo soportan: 2. Las tarjetas más grandes obtienen la versión más precisa, y el nivel de calidad por encima establece la comparación a un nivel.

Stable Diffusion XL (SDXL)— ¿Qué tan precisas son estas estimaciones de velocidad?

Estas son estimaciones con barras de error reales, y cualquiera de ellas podría razonablemente situarse en cualquier parte de su rango publicado dependiendo del runtime que utilices. El resultado más rápido aquí: 598–1,594 tok/s en B200. El mismo modelo y tarjeta varían entre el treinta y el cincuenta por ciento dependiendo del software de inferencia y su versión.

Stable Diffusion XL (SDXL)— ¿Qué GPU necesito para ejecutarlo?

La tarjeta más pequeña en nuestro catálogo que lo sostiene es Tesla C1080, con una capacidad de memoria de 4 GB. Funciona el modelo a una compresión de Q6_K usando alrededor 3.5 GB, y produce aproximadamente 15.8 tokens por segundo. El número de tarjetas capaces de ejecutarlo en total: 818.

Stable Diffusion XL (SDXL)— ¿qué tan rápido es en una GPU?

Depende de la tarjeta. Lo más rápido que calculamos es B200, a aproximadamente 997 tokens por segundo; el más lento que aún lo ejecuta consigue considerablemente menos. La velocidad de lectura es de alrededor de diez tokens por segundo, y el número de cards que logran eso: 777.

Stable Diffusion XL (SDXL)— ¿Cuánta VRAM necesita?

Necesita aproximadamente 3.5 GB a una compresión de Q6_K, cuál es la tarjeta más pequeña que lo ejecuta. Menos compresión necesita más: las cifras en la columna de memoria anterior se recalculan para cada tarjeta, porque cada una sostiene la versión menos comprimida que puede.

Stable Diffusion XL (SDXL)— ¿Puedo ejecutarlo en una GPU que tiene? 8 GB?

Sí. La tarjeta CMP 170HX 8 GB, sosteniendo 8 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 4.3 GB y generando aproximadamente 186 tokens por segundo. El ajuste es cómodo.

Stable Diffusion XL (SDXL)— ¿Puedo ejecutarlo en una GPU que tiene? 12 GB?

Sí. La tarjeta GeForce RTX 3080 Ti, sosteniendo 12 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 4.3 GB y generando aproximadamente 114 tokens por segundo. El ajuste es cómodo.

Stable Diffusion XL (SDXL)— ¿Puedo ejecutarlo en una GPU que tiene? 16 GB?

Sí. La tarjeta Tesla V100 SXM2 16 GB, sosteniendo 16 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 4.3 GB y generando aproximadamente 141 tokens por segundo. El ajuste es cómodo.

Stable Diffusion XL (SDXL)— ¿Puedo ejecutarlo en una GPU que tiene? 24 GB?

Sí. La tarjeta GeForce RTX 5090 D V2, sosteniendo 24 GB, lo ejecuta a una compresión de Q8_0, usando alrededor 4.3 GB y generando aproximadamente 167 tokens por segundo. El ajuste es cómodo.

Origen

Publicación original

Última actualización registrada 25 May 2026

La otra dirección

¿Mirándolo desde el otro lado?

Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.

Todos los modelos de IA