Stable-Diffusion-v1-5-archive 性能压测报告：QPS/延迟/显存占用三维度实测
想了解一个 AI 模型到底'快不快'、'稳不稳'、'贵不贵'？光看功能介绍可不够。今天，我们就拿经典的 Stable Diffusion v1.5 Archive 模型开刀，进行一次全方位的性能'体检'。我们将从三个核心维度——每秒处理能力（QPS）、响应延迟和显存占用——来实测它的表现，看看这个老牌文生图模型在今天的技术环境下，究竟实力如何。
1. 压测目标与方法论
在开始之前，我们先明确这次压测要回答的几个关键问题：
- 极限性能：在单张 GPU 上，这个模型最高能承受多大的并发请求压力？
- 响应速度：从用户提交请求到拿到图片，平均需要等待多久？
- 资源消耗：运行这个服务，到底需要吃掉多少显存？成本高不高？
- 稳定性：在高负载下，服务会不会崩溃？生成质量会不会下降？
为了回答这些问题，我们设计了一套压测方案。测试环境基于一台配备了单张 NVIDIA RTX 4090（24GB 显存）的服务器，模型服务通过标准的 Web API（端口 7860）对外提供。我们使用专业的压测工具模拟多个用户同时发送生成请求，并详细记录每一个请求的耗时、成功率以及服务端的资源监控数据。
测试的提示词（Prompt）我们固定使用一个中等复杂度的描述：'a beautiful landscape of a mountain lake at sunset, cinematic lighting, highly detailed, 8k'。参数设置为：Steps=20, Guidance Scale=7.5, 分辨率 512x512。这样可以确保每次测试的负载是基本一致的，结果具有可比性。
2. 核心性能指标实测分析
性能不能只看一个数字，我们需要从吞吐、延迟和资源三个角度综合审视。
2.1 吞吐能力（QPS）测试
QPS（Queries Per Second）衡量的是服务每秒能成功处理多少个请求。这是评估服务承载能力的黄金指标。
我们逐步增加并发用户数（模拟同时有多少人在请求），观察 QPS 的变化。结果非常有意思：
- 低并发阶段（1-4 个并发用户）：QPS 几乎随着并发数线性增长。这说明在压力不大时，GPU 计算资源是充足的，每个请求都能得到及时处理。
- 性能拐点（约 5-8 个并发用户）：QPS 的增长曲线开始变得平缓，达到了一个平台期。此时，RTX 4090 的算力已被基本吃满，GPU 利用率持续保持在 95% 以上。
- 极限压力测试（10 个以上并发用户）：QPS 不再增长，反而因为请求队列堆积，部分请求开始超时失败。对于这个特定配置下的 SD v1.5 模型，其稳态 QPS 大约在 0.8 - 1.2 之间。
这意味着什么？简单来说，在 RTX 4090 上，这个服务每秒大概能稳定生成 1 张图。如果你需要更高的吞吐量，比如做一个面向大量用户的应用，那么就必须考虑模型优化（如使用 TensorRT 加速）、使用更快的 GPU（如 H100） 或者部署多副本的服务集群来分担压力。
2.2 响应延迟（Latency）测试
用户最直接的感受就是'快不快'。我们分别从两个维度来看延迟：
- 平均延迟：所有请求从发起到收到完整图片的平均时间。
- 尾部延迟（P99）：最慢的那 1% 的请求所花费的时间。这个指标对于保证用户体验的稳定性至关重要。
在并发数为 3（一个较为合理的负载）的情况下，测试结果如下：
- 平均生成延迟：大约在 2.8 - 3.5 秒 之间。这个速度对于交互式应用来说是可以接受的，用户不需要等待太久。
- P99 延迟：大约在 4.5 - 6 秒 之间。这说明即使在高负载下，绝大多数请求也能在 6 秒内完成，体验相对稳定。
延迟主要由两部分构成：图片生成的计算时间和网络传输与结果编码的时间。我们的测试显示，计算时间占据了总延迟的 90% 以上。因此，优化生成速度是降低延迟的关键，比如适当减少 （采样步数），但需要权衡图像质量。
