Stable Diffusion A1111系WebUIまとめ③ ～性能編（Loraなし）～
2026/1/13更新：ComfyUIの--fast引数について追記
2026/2/3更新：「FP16 accumulationだけは変化と言い切れない劣化があるように思いました」という記述を取消し
「Stable Diffusion A1111系WebUIまとめ② ～機能編～」の続きです。
A1111系の各WebUIについてComfyUIも含めてLoRAなしでの性能を比較します。
なお、あくまで私の環境での検証結果になります。特にグラボに関しては同じNvidia製でも、RTX 50シリーズでは有効な最適化がそれより前の世代では有効でない場合もありますのでご注意ください。
関連記事一覧
① 基本編
② 機能編
③ 性能編（LoRAなし） ※この記事
④ 性能編（LoRAあり）
⑤ 画像比較編
対象とするWebUI
以下のA1111系WebUIとComfyUIを対象とします。
Stable Diffusion web UI (dev) ※A1111-dev、またはA1111と省略
Stable Diffusion WebUI Forge ※Forgeと省略、デフォルト設定のみ
Stable Diffusion WebUI reForge ※reForgeと省略
Stable Diffusion WebUI Forge - Classic ※Classicと省略
Stable Diffusion WebUI Forge - Neo ※Neoと省略、デフォルト設定のみ
それぞれStability Matrix (v2.15.4) のデフォルト設定で、2025年12月26日時点での最新リリース版（リリースがないものは最終コミット）を新規インストールした状態をベースとします。
Pythonライブラリはxformersやsageattentionなどの都合で動作しない場合は手動でバージョンを変更します。
個人的に利用予定がないForgeとNeoはデフォルト設定のみの測定とします。
検証環境
CPU: Intel Core i5 14600KF
MB: MSI MAG Z790 TOMAHAWK WIFI
RAM: DDR-5600 128GB (64GB x2) ※Crucial CT2K64G56C46U5
GPU: Nvidia Geforce RTX 5090 (VRAM 32GB) ※Palit GeForce RTX 5090 GameRock
SSD: Samsung 990 EVO Plus 4TB
OS: Windows 11 Pro (24H2)
Driver: Game Ready 591.59 WHQL
生成内容
ちもろぐさんのベンチマーク記事でベンチマーク用のComfyUIワークフロー一式を公開されているので、その中から「832×1216：神里綾華ベンチマーク」「832×1216：神里綾華（x10）ベンチマーク」「832×1216：神里綾華（ControlNet）ベンチマーク」の３つを使わせていただくことにしました。
１．832×1216：神里綾華ベンチマーク
Model: WAI-illustrious-SDXL v14.0
Positive Prompt:
1girl, kamisato ayaka, \(chainsaw man\), ponytail, kimono, floral print, japanese clothes, head tilt, holding weapon, katana, violent theme, half-closed eyes, bored, glowing eyes, loose collar, light smile, yandere, maniac, adjusting clothes, moonlight, light rays, Falling petals,
anime coloring, masterpiece, best quality, amazing quality,Negative Prompt:
chiaroscuro, 3d, bad quality, worst quality, worst detail, sketch, censor,Sampler: Euler
Size: 832x1216
Steps: 28
Batch size: 1
CFG scale: 5
Seed: 20210932
RNG: CPU
２．832×1216：神里綾華（x10）ベンチマーク
「１．832×1216：神里綾華ベンチマーク」のバッチサイズを10に変更して実行します。
３．832×1216：神里綾華（ControlNet）ベンチマーク
Model: WAI-illustrious-SDXL v14.0
Positive Prompt: 1girl, kamisato ayaka, (chainsaw man), looking at viewer, ponytail, ryougi shiki, leather jacket, japanese clothes, kimono, neon genesis evangelion,
head tilt, holding weapon, katana, glowing eyes, naughty face, light smile, neon lights, neon palette, cityscape, science fiction, cyberpunk, looking_back,
masterpiece, best quality, amazing quality,Negative Prompt: 3d, bad quality, worst quality, worst detail, sketch, censor,
Sampler: Euler
Size: 832x1216
Steps: 28
Batch size: 5
CFG scale: 5
Seed: 20210932
RNG: CPU
CN Model: CN-anytest_v4-marged.safetensors
CN Weight: 0.60
CN Image: ちもろぐさんの記事から拝借
CN Start: 0.035
CN End: 0.840
デフォルトのノイズ生成がA1111系WebUIはGPU、ComfyUIはCPUという違いがあるので、WebUIはRNG: CPU（Random number generator source）でオーバーライドします。
また、すべての生成画像を連結した「グリッド画像 (image grids)」はサイズが大きくファイル保存するだけで1秒以上を要するため、WebUIは以下の設定を無効にしています。
・Classic: Automatically save every generated image grid (e.g. for X/Y/Z Plot)
・Classic以外のWebUI: Always save all generated image grids
何度か生成して安定したところからWebUIはGenerateボタン右クリックのGenerate Foreverで10回連続、ComfyUIはBatch countを10にして生成し1回当たりの平均時間と生成中のVRAM最大値をHWiNFOで計測しました。
測定結果
各ツール（UI）の最適化の引数や設定の説明は後回しにして、まずは結果を示します。
１．832×1216：神里綾華ベンチマーク
２．832×1216：神里綾華（x10）ベンチマーク
３．832×1216：神里綾華（ControlNet）ベンチマーク
結果についての考察と補足
生成画像の違い
貼ってある画像はA1111デフォルト (Doggettx's cross-attention) で生成した画像ですが、今回の検証ではツールや最適化引数を変えるごとに「微妙な差があるほぼ同じ画像」となりました。
「速いツールや最適化設定では画像・画質が劣化する」と言われることがありますが、微妙な変化はあるものの個人的には劣化していると思うことはほとんどありませんでした。しかしFP16 accumulationだけは変化と言い切れない劣化があるように思いました。
なおComfyUIについてもWebUIと「微妙な差があるほぼ同じ画像」でしたが、Batch size=5,10で生成した場合の2枚目以降はそれぞれWebUIとまったく違う構図になりました。
これらの画像の変化については別記事にまとめようと思います。
ツールによる生成時間の違い
良い方から順におおむね以下のような結果でした。
・ Batch size=1: reForge > Classic > Forge > ComfyUI >> A1111
・ Batch size=5,10: ComfyUI > reForge > Classic > Forge >> A1111
A1111以外は実利用ではほとんど気にならない微妙な差だと思います。
Forgeは基本性能は高いもののsageattentionやFP16 accumulationに対応していないので、生成時間を理由に使用する必要は無いと思います（xformersには対応しています）。
生成時間で選ぶならWebUIの中ではやはりreForge, Classicのいずれかでしょう。僅かな差ですがreForgeがClassicより速かったのは意外でした。
Neoはエラーが発生し満足に測定できませんでした。改めて測定できれば結果を追加します。
ComfyUIはBatch size=5,10でForge系を逆転しました。サンプルが少ないため安易な考察は禁物ですが、2枚目以降の生成画像の違いから考えても並列での処理内容が根本的に違うと想定されます。
最適化引数による生成時間の違い
良い方から順におおむね以下のような結果でした。
sageattention > xformers > pytorch cross attention = pytorch sdp attention
有識者からは言われていることですが、ことSDXLの画像生成についてはA1111のデフォルト設定 (Doggettx's cross-attention) を除けば最適化設定の違いで驚くほどの違いはありませんでした。
xformersとpytorch attentionに大きな差はありませんし、sageattentionで10%、FP16 accumulationを併用してさらに10%の短縮といったところです。
VRAM使用量の違い
よくわからない部分が多く、生成中の使用量推移は眺めていただけで記録していなかったためなんとなくです。以下のことが言えるかなあという感じです。Classicが他のForge系よりも省メモリ
A1111は基本的にメモリ使用量が大きい
A1111以外は基本的にメモリ使用量が小さいが、batch sizeを増やすと生成終了間際（VAE処理？）に「スパイク」のように瞬間的に使用量が増える。
最適化引数
それぞれグラフの上から順に以下の最適化引数を設定しました。
(括弧) が付いているのは最適化引数なしの「デフォルト」設定のことで、私の環境では括弧内の最適化引数を付けた場合と同じ設定になりました。
Forge系でreForgeのみ "--pin-shared-memory" を付けていない理由は別の記事をご覧ください。
導入方法や詳細な説明は別記事にまとめようと思います。
A1111
(--opt-split-attention)
--xformers
--opt-sdp-attention
Forge
--cuda-malloc --cuda-stream --pin-shared-memory (--attention-pytorch)
reForge
共通 --cuda-malloc --cuda-stream(--attention-pytorch)
--xformers
--use-sage-attention
--use-sage-attention --allow-fp16-accumulation
Classic
共通 --cuda-malloc --cuda-stream --pin-shared-memory(--attention-pytorch)
--xformers ※インストールするための引数、2回目以降は不要
--sage ※インストールするための引数、2回目以降は不要
--sage --fast-fp16
Neo
--cuda-malloc --cuda-stream --pin-shared-memory (--attention-pytorch)
ComfyUI
共通 --preview-method auto(--use-pytorch-cross-attention)
--use-sage-attention
--use-sage-attention --fast
2026/1/13追記：ComfyUIの "--fast" 引数は複数の最適化（Fp16Accumulation, Fp8MatrixMultiplication, CublasOps, AutoTune）を適用するため、reForge, Classicと条件を揃えるには "--fast fp16_accumulation" とオプションを指定したほうが良かったかもしれません。しかし結果は大差ないと思われます。
関連するPythonライブラリのバージョンは以下のとおりです。
xformersは0.31～0.33とそれぞれがサポートするPytorchのバージョンを試しましたが生成でエラーが発生するためバージョンを下げました。
torch: 2.9.1+cu128 ※ xformersを利用する場合のみ2.7.0+cu128
sageattention: 2.2.0+cu128torch2.9.0andhigher.post4
triton-windows: 3.5.1.post22
xformers: 0.0.30
まとめ
A1111系の各WebUIについてComfyUIも含めてLoRAなしでの性能を比較しました。
Classicの "Persistent LoRA Patching" 機能が気になっているため、次回はLoRAありでの性能比較について記事にする予定です。
このような感じで、あまり体系的に整理や理解されていない技術的な内容を分かりやすく無料で解説しています。「スキ」「フォロー」「チップ」で応援よろしくお願いします。
