Experimental NoobAI with Rectified Flow + EQ-VAE

使用 NoobAI v-pred 1.0 作为基础模型进行微调，并默认通过转换为校正流（Rectified Flow）时，会使用 Anzhc 的 EQ-VAE-B7。本实验由于数据仍处于分布外，对暗场景处理困难，但证明了校正流确实是 SDXL 改进方向的下一步（超越单纯的 EQ-VAE）。该模型以某种方式从其固有的蓝移和蓝偏中恢复了 v-pred，但仍未改善无条件生成（uncond）部分，且需要修正“负向零化”（Zero Out negatives）问题——这些问题可在合适的微调中解决。

使用提示：

您必须使用 ComfyUI/SWARMUI 或任何支持 ModelSamplingSD3 2.5 的 WebUI

• 正向提示词： masterpiece, best quality

• 负向提示词： worst quality, low quality, worst aesthetic, old, early, blurry, lowres, signature, artist name, watermark, twitter username, sketch, logo, furry, text, speech bubble, censored, ai-generated, censorship, censor, mosaic censor 或根据需要使用类似内容

技术设置：

• 采样器： Euler, Euler CFG++ 请勿使用祖先采样器！

• 步数： 20–28

• 调度器： Simple, Normal

• CFG 缩放： 4.5–6.0

• CFG++ 缩放： 1.0–2.0

• 分辨率： 1024x1024，或任何不超过~~1.048.576 像素的长宽比。

• ModelSamplingSD3： 2.5

这又是你那个糟糕的模型吗，Bluvoll？某种程度上是的，但本模型旨在证明：校正流 SDXL 完全可行，只要数据量足够，NoobAI 很容易恢复到这个水平。需要多少数据？我拥有完整的 NoobAI 数据集，但因资金有限无法使用。因此，若您认为这有未来，请慷慨捐赠，让我将其实现。需要多少资金？对完整数据集进行 2 个周期训练，或 2000 万步，大约需要 1600 至 1900 美元，因不可避免会遇到的问题，还需额外成本。

“我为何要相信你，Bluvoll？”你不必相信——我们社区里已有“Unstable Diffusion”和“Resonance Cascade”这样的污点。因此，若有人愿意捐赠算力，那将完美。若您愿意捐赠，我有 Ko-Fi，或可在 NoobAI 的服务器或 Arc en Ciel 的服务器中找到我。若您希望获得真正可用的校正流模型，而非某些版本号为 7 的垃圾模型，请考虑支持我。

训练信息：

• 训练中使用了 shift 2.5

• 使用了 Cosine Optimal Transport

• 使用了 Anzhc 的 B7 VAE

未来可进行的改进：

• 使用更多数据训练更好的 VAE

• 微调 Clip 文本编码器，以恢复 Clip L 并进一步提升 BigG 性能

• 采用对比流匹配（contrastive flow matching）及更多最新训练方法改进训练过程