「Civitaiでモデルを探したら、名前に”XL”や”Pony”とついていて何が違うのかわからない」「ダウンロードしたLoRAが効かない」——Stable Diffusionで最初につまずくことが多い事象です。
Stable Diffusionのモデルは、無数の派生モデルが枝分かれした”家系図”の構造になっています。
この記事では、SD1.5からSDXL、SD3.5、そして別系統のFLUXまでを一本の流れで整理し、モデル名やファイルから系統を見分ける方法を解説します。
この記事でわかること・対象読者
対象:Stable Diffusionを触り始めた初級者〜、モデル選びで迷っている中級者
前提知識:AUTOMATIC1111(Web UI)またはComfyUIで一度は画像生成したことがある程度
読み終えると:モデル名・ファイルサイズから系統を判別でき、LoRAが効かない原因を切り分けられ、自分の用途とGPUに合った系統を選べるようになります
Stable Diffusionの「系統」とは何か
Stable Diffusionの「系統」とは、どのベースモデル(Stability AI公式モデル)から派生したかという血統のことです。
Civitaiなどで配布されているモデルの大半は、Stability AIがゼロから学習したものではなく、公式ベースモデルを追加学習やマージで改造した「派生モデル」です。
派生モデルは、元になったベースモデルのアーキテクチャとテキストエンコーダをそのまま受け継ぎます。
図1:Stable Diffusionモデルの系統図(代表的な派生モデルのみ抜粋)
なぜ系統を知る必要があるのか
系統が実務上もっとも効いてくるのは追加モジュールの互換性です。
| 系統が同じなら | 系統が違うと |
|---|---|
| LoRAをそのまま流用できる | LoRAは読み込めないか、読み込めても効かない |
| ControlNetモデルを共用できる | 系統ごとに専用のControlNetが必要 |
| VAE・Textual Inversionを共用できる | 使えない、または画像が崩れる |
| プロンプトの書き方のコツがほぼ通用する | タグ体系・文章形式が変わる |
たとえば「SD1.5用のLoRAをSDXL派生モデルに当てる」と、AUTOMATIC1111では無視されるか size mismatch 系のエラーになり、ComfyUIでは lora key not loaded の警告が大量に出ます。
「LoRAが効かない」トラブルの大半は、この系統の不一致が原因です。
系統の全体像:4世代+別系統の早見表
全体像を一枚にまとめました。
| 系統 | 公開 | アーキテクチャ | ネイティブ解像度 | パラメータ数(目安) | テキストエンコーダ | ライセンス | 派生モデルの量 |
|---|---|---|---|---|---|---|---|
| SD 1.x(1.4 / 1.5) | 2022年8〜10月 | UNet(潜在拡散) | 512×512 | 約0.86B(UNet) | CLIP ViT-L/14 | CreativeML OpenRAIL-M | 非常に多い |
| SD 2.x(2.0 / 2.1) | 2022年11〜12月 | UNet | 768×768 | 約0.87B(UNet) | OpenCLIP ViT-H/14 | CreativeML OpenRAIL-M | 少ない |
| SDXL 1.0 | 2023年7月 | UNet(Base+Refiner) | 1024×1024 | 約3.5B(Base) | CLIP ViT-L + OpenCLIP ViT-bigG | CreativeML OpenRAIL++-M | 非常に多い(現在の主流) |
| SD 3 / 3.5 | 2024年6月 / 10月 | MMDiT(Transformer) | 1024×1024 | 2B〜8B | CLIP-L + CLIP-G + T5-XXL | Stability AI Community License | 少なめ |
| FLUX.1(別系統) | 2024年8月 | Rectified Flow Transformer | 1024×1024〜 | 約12B | CLIP-L + T5-XXL | dev:非商用 / schnell:Apache 2.0 | 増加中 |
SD1.5とSDXLが「UNet世代」、SD3以降とFLUXが「Transformer世代」という2つの大きな区切りがあることです。アーキテクチャが変わると、LoRAやControlNetの作り方そのものが変わるため、世代をまたぐ流用は基本的にできません。
SD1.5系統:派生モデルが最も多い定番

2022年10月に公開されたSD1.5は、U-Netベースの潜在拡散モデルで、約8.6億パラメータという軽量さから一般的なGPUでも動作する点が普及の決め手となりました。
標準解像度は512×512で、テキストエンコーダーにはOpenAIのCLIP ViT-L/14を単体で採用しています。
LoRAやControlNet、数多くの派生モデルなど、コミュニティ発のエコシステムが最も成熟しているモデルであり、現在でも軽量用途やカスタマイズ用途で広く使われ続けています。
特徴
- 2022年10月にRunwayMLが公開。SD1.4(CompVis)の追加学習版
- 512×512がネイティブ解像度。それ以上のサイズを直接生成すると人物が二人に分裂するなどの破綻が起きやすく、Hires.fixやアップスケールで補う
- UNetが約8.6億パラメータと軽量で、VRAM 4〜6GBのGPUでも動く
- テキストエンコーダはOpenAIのCLIP ViT-L/14。プロンプトは「masterpiece, best quality, 1girl, …」のようなタグ羅列が効く
代表的な派生モデル
| 用途 | 派生モデル例 |
|---|---|
| アニメ・イラスト | Anything V3/V5、Counterfeit、MeinaMix、AbyssOrangeMix |
| 実写 | Realistic Vision、ChilloutMix、majicMIX realistic、DreamShaper |
| ゲーム・コンセプトアート | Deliberate、RevAnimated |
2026年でも現役の理由
公開から4年経っても使われ続けているのは、LoRA・ControlNet・拡張機能の資産が圧倒的に多いからです。ControlNetの全プリプロセッサが揃い、AnimateDiffのような動画拡張も最初はSD1.5向けに作られました。軽量なので学習(LoRA作成)もVRAM 8GBで可能です。
一方で、1024px以上の高精細画像や、手指・文字の正確さではSDXL以降に明確に劣ります。「まず動かして仕組みを理解する」「低スペックGPUで大量生成する」用途に向いています。

SD2.x系統:なぜ普及しなかったのか

2022年11月に公開されたSD2.0は、テキストエンコーダーをOpenAIのCLIPからLAIONが学習したOpenCLIP ViT-H/14に置き換え、標準解像度を768×768に引き上げたモデルです。
学習データからNSFWコンテンツを強めにフィルタリングし、アーティスト名やセレブリティの再現も抑えられたため、SD1.5と同じプロンプトでも人物描写や画風の再現性が落ちたと受け止められ、コミュニティの移行は進みませんでした。
2022年12月のSD2.1ではフィルタリング基準を緩めて人物表現を改善しましたが、LoRAや派生モデルの資産がSD1.5側に集中していたことから、主流に返り咲くには至りませんでした。
SD1.5と非互換になった理由
- テキストエンコーダがOpenAI CLIPからOpenCLIP ViT-H/14に変更された。埋め込み次元が768→1024に変わったため、SD1.5用のLoRA・Textual Inversionが一切使えない
- 学習データからNSFW・著名人・アーティスト名の多くが除外され、SD1.5で通用していたプロンプトの効きが大きく変わった
- 768×768モデルは「v-prediction」という予測方式を採用しており、UIやサンプラー側の対応が必要だった
結果として、コミュニティはSD1.5の資産を捨ててまでSD2.xに移行せず、派生モデルもほとんど作られませんでした。

SDXL系統:現在の主流と巨大な派生ツリー

2023年7月に公開されたSDXLは、U-Netを約35億パラメータに大型化し、標準解像度を1024×1024へと引き上げたことで、画質と構図の自然さが大きく向上しました。
テキストエンコーダーにはOpenCLIP ViT-bigGとCLIP ViT-Lの2つを併用し、プロンプト理解力を強化しています。
Baseモデルで生成した後にRefinerモデルで細部を仕上げる2段階構成を取り入れたほか、SDXL Turboなど高速化版も派生しており、現在もSD1.5と並ぶ主要な選択肢となっています。
特徴
- ネイティブ解像度が1024×1024になり、Hires.fixなしでも実用的な画質
- UNetが約35億パラメータに大型化。Base(下描き)+Refiner(仕上げ)の2段構成が公式推奨だが、派生モデルではRefinerを省くのが一般的
- テキストエンコーダを2つ(CLIP ViT-L + OpenCLIP ViT-bigG)併用し、プロンプト理解が向上
- 推奨VRAMは8GB以上、快適に使うなら12GB以上
SDXLの”サブ系統”を理解する
SDXLで重要なのは、派生モデルの中にさらに「サブ系統」が生まれている点です。これはSD1.5にはなかった現象で、競合記事ではほとんど解説されていません。
| サブ系統 | 特徴 | LoRA互換性 |
|---|---|---|
| 通常のSDXL派生(Juggernaut XL、RealVisXL、Animagine XL) | 実写・汎用。公式Baseに近い | 素のSDXL用LoRAが概ね効く |
| Pony系(Pony Diffusion V6 XL とその派生) | アニメ・キャラ特化。大規模な追加学習でBaseから大きく乖離。score_9, score_8_up という独自の品質タグを使う | Pony専用LoRAが必要。素のSDXL用LoRAは効きにくい |
| Illustrious系(Illustrious-XL → NoobAI-XL → その派生) | Danbooruタグに強いアニメ特化。2025年以降のアニメ系モデルの主流 | Illustrious用とNoobAI用は概ね相互に流用できるが、Pony用は効かない |
ハマりどころとして多いのが「SDXL用と書かれたLoRAをダウンロードしたのに効かない」ケースです。Civitaiでは Base Model 欄に「SDXL 1.0」「Pony」「Illustrious」「NoobAI」が別々に表示されるので、使うモデルのサブ系統とLoRAのBase Model表記を一致させるのが基本です。
高速化派生:SDXL Turbo / Lightning
- SDXL Turbo(Stability AI、2023年11月):ADD(Adversarial Diffusion Distillation)という蒸留技術で1〜4ステップ生成を実現。ただし解像度は512px前後が得意
- SDXL Lightning(ByteDance、2024年2月):1024pxのまま2〜8ステップで生成。LoRA形式でも配布され、既存SDXL派生モデルに後付けできる
どちらもアーキテクチャはSDXLなので、同じ系統として扱えます。
SD3 / SD3.5系統:MMDiTへの転換

Stable Diffusion 3
2024年6月に公開されたSD3は、従来のU-Netに代わりTransformerベースの「MMDiT」を採用し、テキストと画像を別々の経路で処理することで両者の整合性を高めたモデルです。生成過程にはRectified Flow(整流フロー)を用いており、少ないステップ数でも高品質な画像を得られるようになりました。さらにCLIP二種とT5の計3つのテキストエンコーダーを組み合わせたことで、複雑なプロンプトの理解力と画像内の文字描画の精度が大きく向上しています。
Stable Diffusion 3.5
2024年10月に公開されたSD3.5は、Large(8B)、Large Turbo、Medium(2.5B)の3サイズで展開され、用途やGPU性能に合わせて選べるのが特徴です。学習時にQK正規化を導入したことで安定性が増し、SD3で指摘されていた人体描写の破綻が改善されました。Mediumには改良版の「MMDiT-X」が使われ、0.25〜2MPの幅広い解像度に対応しているます。
アーキテクチャの転換点
2024年6月公開のSD3 Mediumで、Stable DiffusionはUNetを捨ててMMDiT(Multimodal Diffusion Transformer)に移行しました。主な変更点は次の通りです。
- 画像トークンとテキストトークンを同じTransformerで処理し、プロンプト追従と文字描画が大幅に改善
- テキストエンコーダが3つ(CLIP-L + CLIP-G + T5-XXL)。T5-XXLは単体で約9.5GB(fp16)あり、VRAMと保存容量を圧迫する
- VAEの潜在チャネル数が4→16に増え、細部の再現性が向上
- ノイズ除去の定式化が「Rectified Flow」に変わり、サンプラーの挙動が旧世代と異なる
SD3 Mediumのつまずきと3.5での立て直し
SD3 Medium公開直後、「草原に寝そべる人物」のプロンプトで人体が崩壊する画像が多数報告され、同時に発表された商用ライセンスの条件が厳しすぎるとしてコミュニティの反発を招きました。Stability AIは2024年7月にCommunity Licenseへ改定し、10月にSD 3.5を公開して品質面も立て直しています。
| SD 3.5のラインナップ | パラメータ数 | 位置づけ | VRAM目安(fp16) |
|---|---|---|---|
| Large | 8B | 最高品質。1024px | 18GB以上(T5込み) |
| Large Turbo | 8B(蒸留) | 4ステップ高速生成 | 18GB以上 |
| Medium | 2.5B(MMDiT-X) | 0.25〜2MPの可変解像度に対応。軽量 | 10GB前後 |
ライセンスの要点
Stability AI Community Licenseでは、年間売上100万ドル未満の個人・組織は研究・商用ともに無料で利用でき、それを超える場合はEnterprise Licenseが必要です。派生モデルにもこの条件が継承されるため、SD3.5系の派生モデルを業務利用する際は自社の売上規模を確認してください。詳細はStability AI Licenseを参照してください。
系統としての現状
SD3.5はアーキテクチャこそ最新ですが、派生モデル・LoRA・ControlNetの数はSDXLに遠く及びません。これはSD2.xと同じく「資産が引き継げない世代交代」であることに加え、同時期に登場したFLUXがコミュニティの関心を集めたためです。

FLUX系統:Stable Diffusionではないが押さえるべき”系譜”

2024年8月にBlack Forest Labsが公開したFLUX.1は、約120億パラメータのRectified Flow Transformerを採用した大規模モデルで、公開当時のオープンモデルとしては最高水準の画質とプロンプト追従性を示しました。
テキストエンコーダーにはCLIPとT5-XXLを併用し、長文プロンプトの解釈や画像内の文字描画に強いのが特徴です。pro(API専用)、dev(非商用ライセンス)、schnell(Apache 2.0で商用可・数ステップ生成)の3種類が用意され、用途とライセンスに応じて選べる構成になっています。
Stable Diffusionとの関係
FLUXはStability AIのモデルではありません。
開発元のBlack Forest Labsは、Stable Diffusionの原論文やSDXLを手がけた研究者がStability AIを離れて設立した企業です。そのため「SDの直系ではないが、同じ血筋を引く兄弟」として、系統図では隣に置くのが適切です。
特徴
- 2024年8月にFLUX.1を公開。約120億パラメータのRectified Flow Transformer
- テキストエンコーダはCLIP-L + T5-XXL。自然文のプロンプトが非常によく効き、手指・文字・複雑な構図でSDXLを明確に上回る
- 2025年にはFLUX.1 Kontext(画像編集特化)、同年11月には後継のFLUX.2(dev版は約32B)も公開され、系統として拡大中
| バリアント | ライセンス | 用途 |
|---|---|---|
| FLUX.1 [pro] | API提供のみ | 商用サービス組み込み |
| FLUX.1 [dev] | 非商用(商用はBFLとのライセンス契約が必要) | ローカル生成・検証 |
| FLUX.1 [schnell] | Apache 2.0 | 商用利用も自由。1〜4ステップ生成 |
互換性の注意点
- SDXL系のLoRA・ControlNetは一切使えない(アーキテクチャが異なる)
- FLUX用LoRAは
devベースで作られたものが大半で、schnellで使うと効きが弱くなることがある - fp16のdevモデルは単体で約23.8GBあり、VRAM 24GBでもT5を同時に載せるとギリギリ。fp8版(約12GB)やGGUF量子化版(Q4〜Q8)を使うのが現実的

モデル名・ファイルから系統を見分ける方法

ここまでの知識を使って、手元のモデルがどの系統か判別する方法を3段階で紹介します。
方法1:モデル名の命名規則
| 名前に含まれる文字列 | 系統の推定 |
|---|---|
XL、SDXL | SDXL系統 |
Pony、pny | SDXL Pony系 |
IL、Illustrious、Noob、NAI-XL | SDXL Illustrious系 |
v1.5、1.5、sd15(または無印で2023年以前) | SD1.5系統 |
768、v2、2.1 | SD2.x系統 |
sd3、sd3.5、3.5L | SD3.5系統 |
flux、F1D、F1S | FLUX系統(D=dev、S=schnell) |
命名規則はあくまで慣習なので、確信が持てないときは次の方法で確認します。
方法2:Civitaiの「Base Model」表示
Civitaiのモデルページ右側の詳細欄に Base Model が表示されます。「SD 1.5」「SDXL 1.0」「Pony」「Illustrious」「NoobAI」「SD 3.5 Large」「Flux.1 D」のように、サブ系統まで含めて明記されているので、モデルとLoRAのBase Modelが一致しているかを必ず確認してください。
方法3:ファイルサイズで判別
ファイル名も配布ページも手元にない場合は、ファイルサイズが手がかりになります。
| ファイルサイズ(.safetensors、fp16) | 推定される系統 |
|---|---|
| 約2.0GB(fp32なら約4.2GB) | SD1.5 / SD2.x |
| 約6.5〜7GB | SDXL(Refiner抜き) |
| 約4〜5GB | SD3 Medium / SD3.5 Medium(エンコーダ別) |
| 約16GB | SD3.5 Large(エンコーダ別) |
| 約23〜24GB(fp8なら約12GB) | FLUX.1 dev / schnell(Transformer単体) |
方法4:safetensorsのヘッダーを読んで確実に判別する(Python)
ファイルサイズは量子化や同梱物で変わるため、確実に判別したい場合はモデル内部のレイヤー名(キー)を見ます。safetensors形式は先頭にJSONヘッダーを持つので、モデル全体を読み込まずに数KBの読み取りだけで判別できます。
"""
safetensorsファイルのヘッダーだけを読み、Stable Diffusionの系統を判別するスクリプト
使い方: python detect_sd_lineage.py model.safetensors
"""
import json
import struct
import sys
def read_header(path: str) -> dict:
with open(path, "rb") as f:
header_len = struct.unpack("<Q", f.read(8))[0] # 先頭8バイト=ヘッダー長
return json.loads(f.read(header_len))
def detect_lineage(header: dict) -> str:
keys = [k for k in header.keys() if k != "__metadata__"]
joined = "\n".join(keys)
# Transformer世代
if "double_blocks." in joined or "single_blocks." in joined:
return "FLUX 系統(Rectified Flow Transformer)"
if "joint_blocks." in joined:
return "SD 3 / 3.5 系統(MMDiT)"
# UNet世代:Cross-Attention の to_k の形状で判別する
# SD1.5: [320, 768] SD2.x: [320, 1024] SDXL: [640, 2048]
for k in keys:
if k.endswith("attn2.to_k.weight") and "input_blocks" in k:
shape = header[k]["shape"]
ctx_dim = shape[-1]
if ctx_dim == 2048:
return "SDXL 系統(UNet, context_dim=2048)"
if ctx_dim == 1024:
return "SD 2.x 系統(UNet, OpenCLIP, context_dim=1024)"
if ctx_dim == 768:
return "SD 1.x 系統(UNet, CLIP ViT-L, context_dim=768)"
# UNet本体が含まれないLoRAなどの場合
if any("lora_unet" in k or "lora_te" in k for k in keys):
return "LoRAファイルです(系統はキーの形状から追加判定が必要)"
return "判別できませんでした(未知の形式)"
if __name__ == "__main__":
if len(sys.argv) < 2:
print("使い方: python detect_sd_lineage.py <model.safetensors>")
sys.exit(1)
header = read_header(sys.argv[1])
print(f"テンソル数: {len(header) - ('__metadata__' in header)}")
print(f"判定結果: {detect_lineage(header)}").ckpt はPythonコードを実行できる形式でセキュリティリスクもあるため、可能な限り .safetensors 版を入手しましょう。また、ComfyUI向けに「UNet単体」「テキストエンコーダ単体」で分割配布されているSD3.5・FLUXのファイルは、ファイル名にそれぞれ transformer/text_encoder が付いていることが多く、チェックポイント本体と混同しないよう注意が必要です。
用途別:どの系統を選ぶべきか

ここまでを踏まえた選び方の判断フローです。
| 用途 | おすすめの系統 | 理由 |
|---|---|---|
| まず動かして仕組みを学ぶ | SD1.5 | 軽い、情報が多い、エラーの解決策が見つかりやすい |
| アニメ・イラスト | SDXL Illustrious系(NoobAI-XL等) | 2025年以降の主流。Danbooruタグが効き、LoRAも豊富 |
| 実写・広告素材 | SDXL実写派生(Juggernaut XL / RealVisXL) | 安定した画質、ControlNet・LoRAが揃っている |
| 文字入り画像・ポスター | FLUX.1 dev | 文字描画の精度が段違い |
| 商用サービス組み込み | FLUX.1 schnell / SD3.5(売上条件あり) | ライセンスが明確 |
| 既存のLoRA資産を活かす | 資産がある系統を維持 | 系統を変えると資産がゼロになる |

Stable Diffusionのモデルを使いこなせるようになろう
Stable Diffusionのモデルは、ベースモデルを起点とした系統で整理でき、UNet世代(SD1.5・SD2.x・SDXL)とTransformer世代(SD3.5・FLUX)という2つの大きな区切りの中で、系統が違えばLoRA・ControlNet・VAEは流用できません。
現在の主流であるSDXLは部にPony系・Illustrious系というLoRA非互換のサブ系統を持ち、FLUXはStability AI製ではないものの元SD開発陣による系統として2026年時点の最高品質を担っています。
手元のモデルは「名前 → CivitaiのBase Model → ファイルサイズ → safetensorsヘッダー」の順で系統を確認し、VRAMはSD1.5:4GB〜、SDXL:8GB〜、FLUX / SD3.5 Large:24GB〜を目安に、足りない場合はGPUクラウドの時間課金で補うのが現実的です。
これらを快適に回せるかどうかはGPU環境次第です。
ローカル環境の限界を感じたら、必要なときだけ高速GPUを使えるクラウドGPUの活用を検討してみてください。最適な環境が、あなたの「手つなぎポーズ」を一段上のレベルへ引き上げてくれるはずです。

Stable Diffusionの人物画像生成において、ポーズを生成する際、非常に細かいディテールが求められます。
効率的にStable Diffusionで画像を生成するには、16GB以上のVRAMが搭載されたパソコンの利用がおすすめです。
しかし、高性能なパソコンの多くがが30万円以上と高額になります。
そのような時は、PICSOROBANがおすすめです。
コストを抑えたい方へ:今のパソコンのまま使える「PICSOROBAN」
ピクソロのメリット
- すぐ使える:高額PC不要で、ブラウザからすぐに利用可能。必要な分だけポイントを購入できます。
- リーズナブル:30分約60円で利用可能。さらに今なら約2時間分が無料。
- 無制限作成:時間内であれば、何枚でも画像生成可能。短時間で多くの作品を生成できます。
ブラウザで簡単!ピクソロ!

PICSOROBANは、インストールの必要なくブラウザで簡単にStable Diffusionを利用できます。
さらに、今ならリリースキャンペーンとして無料会員登録するだけで、2,000ポイント(約2時間分)貰えます!
詳しい使い方は下記の記事で紹介しています。
\今なら約2時間無料で使える!/
Stable Diffusionが快適に使えるおすすめのパソコンやグラボに関しては下記の記事で紹介しています。












