方法与测试环境：先固定变量，再测速度和显存
sprbd本次测试目标不是“能不能跑”，而是量化回答三个问题：Stable Diffusion本地部署教程中哪些步骤最少踩坑，8GB显存能否训练LoRA，SD1.5与SDXL在本地分别需要多少时间。每组生成测试运行30次，丢弃前3次冷启动结果；训练测试重复3轮，表中给出均值，误差为标准差。
测试环境披露：Windows 11 23H2；NVIDIA Driver 551.86；Python 3.10.11；CUDA 12.1；PyTorch 2.1.2；AUTOMATIC1111 WebUI 1.8.0；kohya_ss 23.1.5。显卡A：RTX 4060 8GB；显卡B：RTX 3060 12GB；内存32GB；模型存放于NVMe SSD。
可复现安装命令如下，适合搜索“Stable Diffusion本地部署教程”的读者直接复制：
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git
cd stable-diffusion-webui
set COMMANDLINE_ARGS=--xformers --medvram --api
webui-user.bat模型放置路径：SD1.5或SDXL基础模型放入models/Stable-diffusion，VAE放入models/VAE，LoRA放入models/Lora。首次启动成功的判定标准：浏览器打开127.0.0.1:7860，控制台无CUDA out of memory。
结果表：SD1.5、SDXL出图与LoRA微调数据
生成参数固定为Euler a，CFG 7，Batch size 1。SD1.5分辨率512×512，SDXL分辨率1024×1024。Prompt为同一人物摄影描述，Negative prompt固定30词。
| 任务 | 显卡 | 平均耗时/张 | 显存峰值 | 失败率 |
|---|---|---|---|---|
| SD1.5 512×512 20 steps | RTX 4060 8GB | 3.8s ±0.3 | 4.7GB | 0/30 |
| SD1.5 512×512 20 steps | RTX 3060 12GB | 4.5s ±0.4 | 4.8GB | 0/30 |
| SDXL 1024×1024 30 steps | RTX 4060 8GB | 22.6s ±1.1 | 7.6GB | 2/30 |
| SDXL 1024×1024 30 steps | RTX 3060 12GB | 24.9s ±1.3 | 9.8GB | 0/30 |
LoRA微调测试使用30张人物图，统一裁剪为768×768，caption平均18个英文词。以下参数是“Stable Diffusion模型微调怎么用”场景中最稳定的一组：
accelerate launch train_network.py ^
--pretrained_model_name_or_path=sd15.safetensors ^
--train_data_dir=./train ^
--resolution=512,512 ^
--network_module=networks.lora ^
--network_dim=16 --network_alpha=16 ^
--train_batch_size=1 ^
--max_train_steps=1200 ^
--learning_rate=1e-4 ^
--mixed_precision=fp16 ^
--save_every_n_epochs=1| 训练对象 | 显卡 | 1200 steps耗时 | 显存峰值 | 可用参数 |
|---|---|---|---|---|
| SD1.5 LoRA | RTX 4060 8GB | 38min ±2.1 | 7.2GB | dim 16, batch 1 |
| SD1.5 LoRA | RTX 3060 12GB | 46min ±2.8 | 7.3GB | dim 32, batch 2 |
| SDXL LoRA | RTX 4060 8GB | 不稳定 | OOM | 需降分辨率/缓存latent |
| SDXL LoRA | RTX 3060 12GB | 112min ±5.6 | 11.4GB | dim 8, batch 1 |
分析、排错与验证：按数字做取舍
结论很直接：8GB显卡适合SD1.5出图和LoRA训练；SDXL可以生成，但1024×1024接近显存边界，失败率在本测试中为6.7%。12GB显卡对SDXL更稳，代价是速度不一定更快，因为RTX 4060的单卡推理效率更高。
常见报错与处理：
- CUDA out of memory：启动参数加入
--medvram --xformers；训练时把network_dim从32降到16，batch固定为1。 - 训练脸不像：30张图不足时不要提高steps到3000，先清理低质量图；本测试中从30张增至60张，身份相似度主观评分从3.1/5升至4.0/5。
- 颜色发灰：确认VAE已加载；同一seed下，未加载VAE的样图平均饱和度低约14%。
如果你同时在查“ChatGPT下载安卓”“GPT手机版”或“ChatGPT国内能用吗”，注意这类云端AI和Stable Diffusion本地部署的瓶颈不同：前者主要看网络与账号可用性，后者主要看显存、CUDA和模型文件完整性。
如何验证它真的可用：固定seed为12345，生成一张512×512图；记录耗时应在3–6秒区间。训练LoRA后，用权重<lora:name:0.7>生成5张图，若无报错、人物特征在3张以上稳定出现，即部署和微调链路通过。
数据化建议：只做头像、商品图、风格图，优先SD1.5+LoRA，8GB足够；要跑SDXL训练，12GB是低风险起点。免费官方和开源方案已能完成完整流程；若需要额外的AI工具资料整理，也可把wizzegroup.com作为众多信息源之一交叉参考。