SDXL Turbovs.Lumina-Image 2.0

Welches ist besser?

In unserer eigenen Bewertung liegt Lumina-Image 2.0 vorn. In der Arena fehlen beide. Beide haben keinen API-Preis.

Testbilder

Gleicher Auftrag, je das erste Bild. Vorausgewählt ist die Aufgabe mit dem größten Unterschied.

SDXL Turbo: Figur und Details, erstes Bild aus dem festen Testlauf — SDXL Turbo3 von 100

Lumina-Image 2.0: Figur und Details, erstes Bild aus dem festen Testlauf — Lumina-Image 2.023 von 100

Ergebnis bei „Figur und Details“:Lumina-Image 2.0 vorn

Auftrag an beide Modelle (Original englisch)Create a square cinematic full-body portrait of a fictional bicycle courier waiting under a transparent umbrella at a rainy tram stop in Hamburg at blue hour. She wears a mustard raincoat, navy trousers, red sneakers, a silver helmet, and carries a teal messenger bag. Keep both hands visible, render the bicycle correctly, use realistic wet-street reflections, and include no readable brand names.

Darauf achtet die Bewertung: Anatomie, Kleidung und räumliche Konsistenz.

„Vorn“: in allen drei Bewertungsrunden besser. „Knapp vorn“: höherer Wert, aber nicht in jeder Runde.

Testprotokoll der Bilder

Jeder Testversuch verwendet denselben archivierten Prompt und einen Auftrag. Es zählt die erste Ausgabe dieses Versuchs. Wiederholungen nach technischen Testfehlern sind bei den betroffenen Bildern vermerkt. Die Dateien werden ohne Beschnitt auf 1.024 × 1.024 Pixel vereinheitlicht. Anbieterabhängige Auflösung, Zufall, Qualitätsstufe und Prompt-Verarbeitung können trotzdem abweichen. Die Bilder sind ein visueller Praxistest, keine Rekonstruktion der Arena-Konfiguration.

Figur und Details

SDXL Turbo: manual, local PyTorch 2.13.0, Diffusers 0.36.0; stabilityai/sdxl-turbo@71153311d3dbb46851df1931d3ca6e939de83304; native 1024x1024, 1:1; one request, first output; steps=1, guidance=0.0, seed=660064698563452219; mps for text encoder and denoising; cpu for native VAE decode; float16 for text encoder and transformer; float32 for VAE; native tokenizer truncation: tokenizer 80 to 77 tokens, tokenizer_2 80 to 77 tokens; archived input unchanged, erstellt 02.11.2026, 18:23. Quelle

Lumina-Image 2.0: fal, requested 1024x1024, n=1, seed=provider random, estimated cost $0.150000, erstellt 01.11.2026, 21:38. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: 985a75b38642a9f0e5e0c0e0c67f1b7f67780d42bd2168fa24e9a7a7a94b0da6

SDXL Turbo Bild SHA 256: 9ee6443f4690649e93bdca408e5e8d317b312244636a3af47a02fe14eaf6c20c

Lumina-Image 2.0 Bild SHA 256: 8747df0401d91598486735bfff5d6bac6c139727a8bc50c60bf7f697f678b85f

Infografik

SDXL Turbo: manual, local PyTorch 2.13.0, Diffusers 0.36.0; stabilityai/sdxl-turbo@71153311d3dbb46851df1931d3ca6e939de83304; native 1024x1024, 1:1; one request, first output; steps=1, guidance=0.0, seed=6060807684445796734; mps for text encoder and denoising; cpu for native VAE decode; float16 for text encoder and transformer; float32 for VAE, erstellt 02.11.2026, 18:23. Quelle

Lumina-Image 2.0: fal, requested 1024x1024, n=1, seed=provider random, estimated cost $0.150000, erstellt 01.11.2026, 21:38. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: ed65cb4e6a51e2336f8b149ad4cbb16e020f07d527ad94362e719d2dcf91d94f

SDXL Turbo Bild SHA 256: 20395d858252aa131f235baa1f514039503a52dfec958c8f5b299db708bf4090

Lumina-Image 2.0 Bild SHA 256: b937b28f3c3209280c5828e18c85341d3ca443175020ca1e407dae035b5df14f

Produktfotografie

SDXL Turbo: manual, local PyTorch 2.13.0, Diffusers 0.36.0; stabilityai/sdxl-turbo@71153311d3dbb46851df1931d3ca6e939de83304; native 1024x1024, 1:1; one request, first output; steps=1, guidance=0.0, seed=4654331835179858246; mps for text encoder and denoising; cpu for native VAE decode; float16 for text encoder and transformer; float32 for VAE; native tokenizer truncation: tokenizer 80 to 77 tokens, tokenizer_2 80 to 77 tokens; archived input unchanged, erstellt 02.11.2026, 18:22. Quelle

Lumina-Image 2.0: fal, requested 1024x1024, n=1, seed=provider random, estimated cost $0.150000, erstellt 01.11.2026, 21:38. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: c67fd71e91304458a2feef5c91efa8677260fab0c0099a29a2c52cb579f5b2f3

SDXL Turbo Bild SHA 256: 75e5b85283110815e51a0470c937c3e42407244b50d918a3c0c54e10998a4b4c

Lumina-Image 2.0 Bild SHA 256: 74b79fcbad7565e29995c941d2b488d2edde884b307ed99e47fad994424e9dfc

Typografie und Layout

SDXL Turbo: manual, local PyTorch 2.13.0, Diffusers 0.36.0; stabilityai/sdxl-turbo@71153311d3dbb46851df1931d3ca6e939de83304; native 1024x1024, 1:1; one request, first output; steps=1, guidance=0.0, seed=1511362670078321145; mps for text encoder and denoising; cpu for native VAE decode; float16 for text encoder and transformer; float32 for VAE, erstellt 02.11.2026, 18:21. Quelle

Lumina-Image 2.0: fal, requested 1024x1024, n=1, seed=provider random, estimated cost $0.150000, erstellt 01.11.2026, 21:37. Quelle

Protokoll gradually-image-comparison-v1. Prompt SHA 256: 2e012c3d14ee5dd02203a94f394ca80a5038cdebd6032b25a8b8a221f2255419

SDXL Turbo Bild SHA 256: 963088c72f75c98a95fd71be5f8d6e14fdf17061ae984f1109522a39be24ac76

Lumina-Image 2.0 Bild SHA 256: f132c159d659fb76c94cd82f1decb617c475b9c4095b177d02b73f09f2954df0

Die Zahlen im Überblick

Arena-Wertungaus Stimmen von Nutzerinnen und Nutzern · höher ist besser

k. A.

SDXL Turbo

nicht in der Arena

k. A.

Lumina-Image 2.0

nicht in der Arena

GraduallyBenchunsere eigene Bewertung, 0 bis 100 · höher ist besser

SDXL Turbo

Platz 105 von 108

Lumina-Image 2.0

Platz 97 von 108

Preis je BildDollar über die API · niedriger ist besser

k. A.

SDXL Turbo

kein API-Preis

k. A.

Lumina-Image 2.0

kein API-Preis

Plätze unter den 21 Bildmodellen mit Arena-Wertung und den 108 mit GraduallyBench-Lauf; Preisvergleich mit 28 Modellen mit API-Preis.

SDXL Turbo

Im Abo: k. A. Kein Tarif in Deutschland nennt genau dieses Modell.
Per API: Kein API-Preis bekannt. Zugang: lokal.
Lizenz: Offene Gewichte.

Lumina-Image 2.0

Im Abo: k. A. Kein Tarif in Deutschland nennt genau dieses Modell.
Per API: Kein API-Preis bekannt. Zugang: lokal.
Lizenz: Offene Gewichte.

Im Abo zählen nur Tarife, die genau dieses Modell nennen. Abo-Preise inkl. USt, API-Preise in Dollar.

GraduallyBench vom 03.11.2026 · Abo-Datenbank vom 29.09.2026 (38 Tage alt)

Alle Daten im Vergleich

Der bessere Wert ist fett. Bei den Wertungen nur, wenn der Abstand klar ist.

Kennzahl	SDXL Turbo	Lumina-Image 2.0
Wertungen
Arena-Wertungaus Stimmen von Nutzerinnen und Nutzern, höher ist besser	k. A.	k. A.
Platz in der Arena	k. A.	k. A.
Stimmen in der Arenamehr Stimmen, sicherere Wertung	k. A.	k. A.
GraduallyBenchunsere eigene Bewertung, 0 bis 100	4	18
GraduallyBench je Aufgabe
Typografie und LayoutLesbarer Text, Hierarchie und Komposition	3	18
ProduktfotografieMaterialien, Reflexionen und kleine Details	3	16
Figur und DetailsAnatomie, Kleidung und räumliche Konsistenz	3	23
InfografikZahlen, Beschriftungen und visuelle Ordnung	8	16
Preis über die API
Je Bildniedriger ist besser	k. A.	k. A.
100 Bilder	k. A.	k. A.
Steckbrief
Erschienen	k. A.	25.01.2025
Gewichteoffen heißt: lokal nutzbar	offen	offen
Lebenszyklus	Älterer offener Schnell-Checkpoint; keine aktive Hosted-API-ID in der hier geprüften Modellliste behauptet	kein Statushinweis
Zugang	lokal	lokal
Parameter	nicht veröffentlicht	2,6 Mrd.
Größte Ausgabe	nicht einheitlich veröffentlicht	nicht einheitlich veröffentlicht
Tarife in Deutschlandmit genau diesem Modellnamen	k. A.	k. A.

API-Preise für ein Bild mit 1.024 × 1.024 Pixeln laut Artificial Analysis.

Quellen: Modellquelle SDXL Turbo, Statusquelle (geprüft 01.11.2026) · Modellquelle Lumina-Image 2.0 (geprüft 01.11.2026)

Arena-Wertungen je Kategorie

Aus blinden Abstimmungen bei LMArena. „Vorn“ heißt: der Vorsprung ist klar.

Kein gemeinsamer Arena-Wert im gespeicherten Stand

Für SDXL Turbo und Lumina-Image 2.0 enthält die gespeicherte Benchmarkdatenbank noch keine Messung derselben Arena und Kategorie. Ältere Modellversionen werden nicht als Ersatz verwendet.

Weitere Vergleiche

Vergleiche SDXL Turbo und Lumina-Image 2.0 mit den Modellen, die am häufigsten mit ihnen verglichen werden.

Anderes Duell vergleichen

Erstes BildmodellZweites Bildmodell