KI · Modellspezifische Setups
SDXL — Setup und Parameter
Juggernaut XL, externer VAE, bewährte Parameter — und wann SDXL die bessere Wahl ist.
Warum Juggernaut XL
SDXL ist keine einzelne Modelldatei — es ist eine Architektur, auf der hunderte von Fine-Tunes und Checkpoints aufbauen. Juggernaut XL ist einer davon, und die Frage warum gerade dieser lohnt eine kurze Antwort.
Juggernaut XL ist auf fotorealistische Ausgaben spezialisiert. Das Basismodell von Stability AI liefert gute allgemeine Ergebnisse, tendiert aber zu einer Ästhetik die zwischen Fotografie und Illustration liegt — für professionelle Bildproduktion oft zu unentschieden. Juggernaut XL wurde gezielt auf fotografische Qualität trainiert: realistische Hauttöne, überzeugende Materialoberflächen, natürliche Lichtsituationen. Für die Anwendungsfälle die auf dieser Website im Mittelpunkt stehen — Interieur, Architektur, Produkt, Mode — ist das der richtige Ausgangspunkt.
Andere SDXL-Checkpoints haben andere Stärken: Realistic Vision für Portrait-Fotografie, RealVisXL für Außenaufnahmen, DreamShaper XL für illustrative Stile. Die Architektur ist dieselbe, das Training ist verschieden. Wer Juggernaut XL versteht, kann jeden anderen SDXL-Checkpoint einsetzen — die Workflow-Struktur bleibt identisch, nur die Checkpoint-Datei im CheckpointLoaderSimple ändert sich.
Der externe VAE
In 2.2.1 — Stability Matrix stand bereits: Juggernaut XL empfiehlt einen externen VAE. Hier kommt die Begründung.
Der in Juggernaut XL eingebettete VAE wurde mit fp16-Gewichten trainiert — ein Präzisionsformat das bei manchen Farbwerten zu einem bekannten Artefakt führt: leichte Entsättigung in dunklen Tönen, ein subtiler Grünstich in Schatten. Das ist kein Fehler im Checkpoint selbst, sondern eine Eigenheit des originalen SDXL-VAE.
Der sdxl-vae-fp16-fix behebt das. Er ist ein separater VAE der speziell für fp16-Inferenz kalibriert wurde — Farben bleiben neutral, Schatten sauber. Der Unterschied ist in niedrig aufgelösten Previews kaum sichtbar, in der finalen Ausgabe bei genauem Hinsehen messbar.
Im Workflow: VAELoader Node hinzufügen, sdxl-vae-fp16-fix.safetensors laden, den VAE-Ausgang des CheckpointLoaderSimple durch den Ausgang des VAELoader ersetzen. Der CheckpointLoaderSimple lädt dann nur noch MODEL und CLIP — den VAE ignorieren.
Parameter für Juggernaut XL
Die Werte aus 2.2.4 — Einen Workflow aufbauen als Ausgangspunkt, jetzt mit Begründung:
cfg: 4–5
Juggernaut XL ist stark auf Fotorealismus trainiert — das Modell weiß bereits was "realistisch" bedeutet ohne dass es stark geführt werden muss. CFG 4–5 lässt dem Modell genug Spielraum um natürliche Ergebnisse zu erzeugen. Höhere Werte — ab 7 aufwärts — beginnen Kontraste zu übertreiben und Texturen zu verhärten.
steps: 30–35 · sampler: dpmpp_2m · scheduler: karras
Wie in 2.2.4 begründet: bei 30+ Steps entfaltet karras seinen Vorteil, dpmpp_2m nutzt die verfügbare Rechenzeit effizient. Für schnelle Tests oder schwächere Hardware: 20–25 Steps mit euler + exponential — weniger Details, aber funktionierendes Ergebnis.
Auflösung: 1024×1024
SDXL wurde auf 1024×1024 Pixel trainiert — das entspricht einer Gesamtfläche von rund 1.048.576 Pixel. Andere Seitenverhältnisse funktionieren, solange die Gesamtpixelzahl annähernd konstant bleibt. Bewährte Werte: 1365×768 für Querformat (ca. 16:9) und 832×1216 für Hochformat (ca. 2:3). Auflösungen immer in 64er-Schritten wählen — die interne Latent-Struktur setzt das voraus.
Wann SDXL, wann Flux
Eine Frage die sich spätestens hier stellt: wenn Flux.1 dev in vielen Bereichen bessere Ergebnisse liefert — warum noch SDXL?
Drei Gründe die in der Praxis zählen:
Geschwindigkeit
Flux.1 dev ist mit ~23 GB deutlich größer als Juggernaut XL mit ~7 GB. Auf einer Nvidia RTX 3080 mit 10 GB VRAM läuft Flux nur mit Kompromissen — Quantisierung, langsamere Inferenz, höherer RAM-Bedarf. SDXL läuft auf derselben Hardware flüssig. Wer viele Varianten testen will, ist mit SDXL schneller.
LoRA-Ökosystem
Für SDXL gibt es ein deutlich größeres und ausgereifteres LoRA-Angebot als für Flux — für spezifische Stile, Produkte, Personen, Materialien. Wer auf bestehende LoRAs angewiesen ist, findet für SDXL mehr Auswahl.
Negative Prompts
Bei SDXL funktioniert der negative Prompt als aktives Steuerungsinstrument. Bei Flux nicht. Für manche Workflows — besonders wenn bestimmte Artefakte oder Stile zuverlässig ausgeschlossen werden müssen — ist das ein praktischer Vorteil.
Flux.1 dev ist in Prompt-Präzision und Bildqualität überlegen, besonders bei komplexen räumlichen Beschreibungen. SDXL ist schneller, ressourcenschonender und hat das tiefere LoRA-Ökosystem. Beide haben ihren Platz.