DMD2 模型

社区模型集合 中有一部分 NPU 模型融合了 DMD2 LoRA。它们以少量画质损失，换来大幅的速度提升与显著更低的设备发热。

如何识别 DMD2 模型

文件名中带有 _dmd2 字样的模型，已将 DMD2 LoRA 融合进 checkpoint。例如：

anythingxl_dmd2_qnn2.28_8gen3.zip

没有这个后缀的模型按照普通的 SDXL/SD1.5 处理，使用原模型推荐的参数即可。

推荐参数

DMD2 模型针对极低步数与 CFG 1 进行了调优，使用：

参数	值
采样器	LCM
CFG	1
步数	8

DMD2 在更高的 CFG 或使用 DPM++ / Euler 等采样器时表现不正常 —— 请使用上面这组组合。

为什么这么快

两个效果叠加：

1. 步数更少 —— 8 步而非常见的 20–30 步，UNet 推理次数显著减少。
2. CFG = 1 优化 —— 在 NPU 路径下，CFG 恰好为 1 时跳过无条件 UNet 推理，每一步的计算量大约减半（详见 CFG 说明）。

实测中，DMD2 模型端到端通常比同一基底模型的常规设置快约 4 倍。具体倍数取决于对比基准（步数、CFG、以及基底模型是否也用 CFG 1）。

实测数据（SDXL）

• 在 16GB 及以上的设备上，关闭 低内存模式 运行 SDXL DMD2 模型，单张生成通常只需要 6–7 秒。
• 由于单次生成时间很短，设备始终保持低温 —— 你可以连续创建多张图像而不触发降频。

画质权衡

在默认设置下，DMD2 出图质量大约为原始模型的 80–90%。差异通常更多体现在细微纹理与小细节上，整体构图差距较小。

如果你既想要速度也想要画质，可以这样做：

1. 用 DMD2 模型快速生成多张候选。
2. 挑出一张满意的。
3. 用 原始（非 DMD2）模型 + img2img，以中等去噪强度对其进行细化，保留构图的同时补回细节。

思路与 SD1.5 Highres.fix 类似 —— DMD2 负责出结构，完整模型负责补细节。

何时优先选择 DMD2

• 你想快速尝试不同提示词和随机种子。
• 你想在一次会话中连续生成很多图，又不希望设备发热。
• 你的设备勉强能跑 SDXL，但完整模型实在偏慢。

如果你只是想把单张图的画质做到最好，则可以直接使用非 DMD2 模型，或先用 DMD2 出图再用上面的 img2img 工作流进一步精修。