Cat Tower (NoobAI XL checkpoint)
详情
下载文件
关于此版本
模型描述
猫塔是动漫风格的NoobAI XL检查点。
VAE已内置。
v-预测版本为实验性模型。
您需要使用支持v-预测的WebUI：
ComfyUI（推荐）
Forge Classic（推荐）
reForge
Forge（可能支持）
AUTOMATIC1111（从v1.4版本开始支持，您需将配置文件放置在与检查点相同的文件夹中）
许可证
本模型遵循 NoobAI-XL许可证（修改版公平AI公共许可证1.0-SD） ，仅限非商业用途。本许可证禁止任何形式的商业化行为，包括但不限于对模型、衍生模型或模型生成产品的盈利或商业使用。
推荐设置
步数：25-30
CFG比例：5-7
采样器（vPred）：推荐使用“Euler”。使用“Euler a”有时会产生彩色皮肤和物体，如红色、蓝色等。
采样器（Epsilon-pred）：DPM++ 2M Karras, Euler a
调度器（vPred）：Normal，Simple（“Automatic”会产生噪点图像）
按需使用ADetailer
正向提示词
masterpiece, best quality
负向提示词
worst quality, bad quality, low quality, lowres, scan artifacts, jpeg artifacts, sketch, light particles
合并配方（vPred v2.0）
使用“垂直分量”和“添加差异”（检查点A）将Obsession (Illustrious-XL) v-pred_v2.0与stable-diffusion-xl-base-1.0、CyberRealistic XL v5.6与stable-diffusion-xl-base-1.0的差异合并至Obsession (Illustrious-XL) v-pred_v2.0
使用“SLERP”将检查点A合并至Obsession (Illustrious-XL) v-pred_v2.0，alpha = 0.5（检查点B）
使用“Rotate”将检查点B合并至Obsession (Illustrious-XL) v-pred_v2.0，alignment = 1.0，alpha = 0.0（检查点C）
用Obsession (Illustrious-XL) v-pred_v2.0替换检查点C的CLIP（检查点D）
使用动漫风格数据集A（2.1k）对检查点D进行全参数微调，优化器=AdamW8bit，调度器=warmup stable decay，学习率=6e-6，调度器最小学习率比率为0.1，32个epoch，仅微调UNet，梯度累积步数=1，批量大小=4。（检查点E）
使用动漫风格数据集B（0.5k）对检查点D进行全参数微调，优化器=AdamW8bit，调度器=warmup stable decay，学习率=3e-6，调度器最小学习率比率为0.1，60个epoch，仅微调UNet，梯度累积步数=1，批量大小=4。（检查点F）
使用“SLERP”将检查点F合并至检查点E，alpha = 0.5（检查点G）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将LunarPeachMix v2.0与Illustrious XL v1.1的差异合并至检查点G（检查点H）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将JANKU v5.0与RouWei v0.8 epsilon的差异合并至检查点H（检查点I）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将copycat-RouWei vpred-v0.42与Rouwei 0.80 vpred的差异合并至检查点I（检查点J）
使用“Clamp”合并检查点I，边界为检查点G、LunarPeachMix v2.0、JANKU v5.0和copycat-RouWei vpred-v0.42（检查点K）
通过noob_v_pencil-XL合并配方向检查点K添加v_pred和ztsnr键（猫塔 vPred v2.0）
合并配方（Epsilon-pred v1.4）
使用“垂直分量”和“添加差异”（检查点A）将NoobAI-XL Epsilon-pred v1.1与stable-diffusion-xl-base-1.0、CyberRealistic XL v5.6与stable-diffusion-xl-base-1.0的差异合并至NoobAI-XL Epsilon-pred v1.1
使用“SLERP”将检查点A合并至NoobAI-XL Epsilon-pred v1.1，alpha = 0.5（检查点B）
使用“Rotate”将检查点B合并至NoobAI-XL Epsilon-pred v1.1，alignment = 1.0，alpha = 0.0（检查点C）
用NoobAI-XL Epsilon-pred v1.1替换检查点C的CLIP（检查点D）
使用OFT方法，dim=4，alpha=1e-3，学习率=2.5e-6，15000步，对动漫风格数据集（0.5k）微调检查点D，然后将OFT模型以比例1.0合并至检查点D（检查点E）
使用“加权求和”和块(0,0,0,0,0,0,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0,0,0,0,0)将Cat Carrier v6.0合并至检查点E（检查点F）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将LunarPeachMix v2.0与Illustrious XL v1.1的差异合并至检查点F（检查点G）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将JANKU v4.0与RouWei v0.7 epred的差异合并至检查点G（检查点H）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将copycat-RouWei vpred-v0.42与Rouwei 0.80 vpred的差异合并至检查点H（检查点I）
使用“Clamp”合并检查点I，边界为检查点F、LunarPeachMix v2.0、JANKU v4.0和copycat-RouWei vpred-v0.42（猫塔 Epsilon-pred v1.4）
合并配方（vPred v1.8）
使用“垂直分量”和“添加差异”（检查点A）将NoobAI-V-Pred-1.0-Version与stable-diffusion-xl-base-1.0、CyberRealistic XL v5.6与stable-diffusion-xl-base-1.0的差异合并至NoobAI-V-Pred-1.0-Version
使用“SLERP”将检查点A合并至NoobAI-V-Pred-1.0-Version，alpha = 0.5（检查点B）
使用“Rotate”将检查点B合并至NoobAI-V-Pred-1.0-Version，alignment = 1.0，alpha = 0.0（检查点C）
用NoobAI-V-Pred-1.0-Version替换检查点C的CLIP（检查点D）
使用OFT方法，dim=4，alpha=1e-3，学习率=2.5e-6，15000步，对动漫风格数据集（0.5k）微调检查点D，然后将OFT模型以比例1.0合并至检查点D（检查点E）
使用“加权求和”和块(0,0,0,0,0,0,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0,0,0,0,0)将Cat Carrier v6.0合并至检查点E（检查点F）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将LunarPeachMix v2.0与Illustrious XL v1.1的差异合并至检查点F（检查点G）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将JANKU v4.0与RouWei v0.7 epred的差异合并至检查点G（检查点H）
使用“添加差异”和块(0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,0,0,0,0,0)将copycat-RouWei vpred-v0.42与Rouwei 0.80 vpred的差异合并至检查点H（检查点I）
使用“Clamp”合并检查点I，边界为检查点F、LunarPeachMix v2.0、JANKU v4.0和copycat-RouWei vpred-v0.42（检查点J）
通过noob_v_pencil-XL合并配方向检查点J添加v_pred和ztsnr键（猫塔 vPred v1.7）
合并配方（Epsilon-pred v1.3）
- 使用“DARE-TIES”将Cat Tower Epsilon-pred v1.2与Cat Tower v-pred v1.7合并（Cat Tower Epsilon-pred v1.3）
合并配方（vPred v1.7）
使用“添加差异”将CyberRealistic XL v5与stable-diffusion-xl-base-1.0的差异合并至NoobAI-V-Pred-1.0-Version（检查点A）
用NoobAI-V-Pred-1.0-Version替换检查点A的CLIP（检查点B）
使用“加权求和”和块(0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.4,0.4,0.4,0.4,0.4,0.4,0.0,0,0,0,0)将Cat Carrier v3.0合并至检查点B（检查点C）
使用“添加余弦B”和块(0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0,0,0,0,0)将Cat Tower vpred v1.5合并至检查点C（检查点D）
使用“加权求和”和块(0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0,0,0,0,0)将Cat Bread eps-pred v1.0合并至检查点D（检查点E）
使用“训练差异”和块(0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)将Catloaf与ponyDiffusionV6XL的差异合并至检查点E（检查点F）
使用“训练差异”和块(0,0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)将copycat-noob Vpred_v1.01与NoobAI-V-Pred-1.0-Version的差异合并至检查点F（检查点G）
将风格LoRA合并至检查点G（检查点H）
通过noob_v_pencil-XL合并配方向检查点H添加v_pred和ztsnr键（猫塔 vPred v1.7）
合并配方（vPred v1.6）
使用Noob Vpred itercomp merge's recipes将NoobAI-V-Pred-1.0-Version与IterComp合并。（检查点A）
使用OFT方法，dim=8，alpha=1e-3，学习率=1e-4，15000步，对动漫风格数据集（0.5k）微调NoobAI-V-Pred-1.0-Version
将OFT模型以比例1.0合并至检查点A（检查点B）
使用“加权求和”，alpha=0.4将检查点B合并至检查点A（检查点C）
使用“加权求和”和块(0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.6,0.6,0.6,0.4,0.6,0.6,0.0,0,0,0,0)将Cat Carrier v3.0合并至检查点C（检查点D）
使用“加权求和”和块(0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)将检查点D与HarmoniqMix_vPred_v1合并（检查点E）
使用“训练差异”和块(0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)将Catloaf与ponyDiffusionV6XL的差异合并至检查点E（检查点F）
使用“训练差异”和块(0,0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)将copycat-noob Vpred_v1.01与NoobAI-V-Pred-1.0-Version的差异合并至检查点F（检查点G）
将风格 LoRA 合并到检查点 G（检查点 H）
通过 noob_v_pencil-XL 合并配方向检查点 H 添加 v_pred 和 ztsnr 键（Cat Tower vPred v1.6）
合并配方（Epsilon-pred v1.2）
通过“添加差异”将 cyberrealisticXL_v31 与 stable-diffusion-xl-base-1.0 之间的差异合并到 NoobAI-XL Epsilon-pred v1.1，alpha=1.0。（检查点 A）
使用 NoobAI-XL Epsilon-pred v1.1 替换检查点 A 的 CLIP。（检查点 B）
通过“添加差异”将 Cat Carrier v3.0 与检查点 B 之间的差异合并，区块参数为 (0.01,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.35,0.35,0.35,0.2,0.35,0.35,0,0,0,0,0)。（检查点 C）
通过“训练差异”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred v0.75 之间的差异合并到检查点 C，区块参数为 (0,0,0,0,0,0,0,0,0.2,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)。（检查点 D）
将风格 LoRA 合并到检查点 D（Cat Tower Epsilon-pred v1.2）
合并配方（vPred v1.5）
通过 Noob Vpred itercomp merge's recipes 将 NoobAI-V-Pred-1.0-Version 与 IterComp 合并。（检查点 A）
使用 OFT 方法，以动漫风格数据集（0.5k）对 NoobAI-V-Pred-1.0-Version 进行微调，dim = 8，alpha = 1e-3，学习率 = 1e-4，训练 15000 步
将 OFT 模型以比例 1.0 合并到检查点 A（检查点 B）
通过“加权求和”将检查点 B 与 Cat Tower v1.1 Epsilon-pred 合并，区块参数为 (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.4,0.4,0.4,0.4,0.0,0,0,0,0)（检查点 C）
通过“加权求和”将检查点 C 与 HarmoniqMix_vPred_v1 合并，区块参数为 (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.0,0,0,0,0)（检查点 D）
通过“训练差异”将 Catloaf 与 ponyDiffusionV6XL 之间的差异合并到检查点 D，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 E）
通过“训练差异”将 copycat-noob Vpred_v0.4 与 Noobai-XL-V-pred-0.75S-Version 之间的差异合并到检查点 E，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)（检查点 F）
通过 noob_v_pencil-XL 合并配方向检查点 F 添加 v_pred 和 ztsnr 键（Cat Tower vPred v1.5）
合并配方（vPred v1.4）
通过 Noob Vpred itercomp merge's recipes 将 NoobAI-V-Pred-0.75S-Version 与 IterComp 合并。（检查点 A）
使用 OFT 方法，以动漫风格数据集（0.5k）对 NoobAI-V-Pred-0.75S-Version 进行微调，dim = 8，alpha = 1e-3，学习率 = 1e-4，训练 15000 步
将 OFT 模型以比例 1.0 合并到检查点 A（检查点 B）
通过“加权求和”将检查点 B 与 Cat Tower v1.1 Epsilon-pred 合并，区块参数为 (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.4,0.4,0.4,0.4,0.0,0,0,0,0)（检查点 C）
通过“加权求和”将检查点 C 与 HarmoniqMix_vPred_v1 合并，区块参数为 (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.0,0,0,0,0)（检查点 D）
通过“训练差异”将 Catloaf 与 ponyDiffusionV6XL 之间的差异合并到检查点 D，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 E）
通过“训练差异”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 E，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)（检查点 F）
通过“加权求和”将 NoobAI-V-Pred-0.75S-Version 与检查点 F 合并，区块参数为 (0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1)（Cat Tower vPred v1.4）
合并配方（Epsilon-pred v1.1）
将 NoobAI-XL Epsilon-pred 1.1-Version 与 cyberrealisticXL_v31 合并，并使用 NoobAI-XL Epsilon-pred 1.1-Version 替换 CLIP。此方法与 NoobaiCyberFix 相同。（检查点 A）
通过“trainDifference”将 Cat Carrier v1.0 与 Raehoshi illust XL v1.0 之间的差异合并到检查点 A，区块参数为 (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.4,0.2,0.2,0.4,0.6,0.6,0.6,0.2,0.2,0.2,0.2,0.2)（检查点 B）
通过“trainDifference”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 B，区块参数为 (0,0,0,0,0,0,0,0,0.2,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 C）
将风格 LoRA 合并到检查点 C（Cat Tower Epsilon-pred v1.1）
合并配方（vPred v1.3）
通过 Noob Vpred itercomp merge's recipes 将 NoobAI-V-Pred-0.65S-Version 与 IterComp 合并。（检查点 A）
使用 OFT 方法，以动漫风格数据集（0.5k）对 NoobAI-V-Pred-0.65S-Version 进行微调，dim = 8，alpha = 1e-3，学习率 = 1e-4，训练 15000 步
将 OFT 模型以比例 1.0 合并到检查点 A（检查点 B）
通过“加权求和”将检查点 B 与 HarmoniqMix_vPred_v1 合并，区块参数为 (0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.5,0.5,0.5,0.5,0.0,0,0,0,0)（检查点 C）
通过“训练差异”将 Catloaf 与 ponyDiffusionV6XL 之间的差异合并到检查点 C，区块参数为 (0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 D）
通过“训练差异”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 D，区块参数为 (0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)（检查点 E）
通过“训练差异”将 ExilluSPO Anime v1 与 illustriousXL_smoothftSPO 之间的差异合并到检查点 D，区块参数为 (0,0,0,0,0,0,0,0,0,0,0.15,0.15,0.15,0.15,0,0,0,0,0)（检查点 F）
合并 NoobAI-V-Pred-0.65S-Version + (Checkpoint F - NoobAI-V-Pred-0.65S-Version)（Cat Tower vPred v1.3）
合并配方（vPred v1.2）
将 NoobAI-V-Pred-0.65S-Version 与 cyberrealisticXL_v31 合并，并使用 NoobAI-V-Pred-0.65S-Version 替换 CLIP。此方法与 NoobaiCyberFix 相同。（检查点 A）
通过 Noob Vpred itercomp merge's recipes 将 NoobAI-V-Pred-0.65S-Version 与 IterComp 合并。（检查点 B）
合并检查点 A * (1 - 0.5) + 检查点 B * 0.5（检查点 C）
通过“训练差异”将 Cat Carrier v1.0 与 Raehoshi illust XL v1.0 之间的差异合并到检查点 C，区块参数为 (0,0,0,0,0,0,0,0,0.25,0,0,0.25,0.45,0.45,0.45,0,0,0,0,0)（检查点 D）
通过“训练差异”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 D，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 E）
将风格 LoRA 合并到检查点 E（检查点 F）
合并 NoobAI-V-Pred-0.65S-Version + (检查点 F - NoobAI-V-Pred-0.65S-Version)，并调整参数 (0,0,0,0,0,2.34,0,-0.95)。（Cat Tower vPred v1.2）
合并配方（vPred v1.1）
将 NoobAI-V-Pred-0.6-Version 与 cyberrealisticXL_v31 合并，并使用 NoobAI-V-Pred-0.6-Version 替换 CLIP。此方法与 NoobaiCyberFix 相同。（检查点 A）
通过“训练差异”将 Cat Carrier v1.0 与 Raehoshi illust XL v1.0 之间的差异合并到检查点 A，区块参数为 (0,0,0,0,0,0,0,0,0.3,0,0,0.3,0.5,0.5,0.5,0,0,0,0,0)（检查点 B）
通过“训练差异”将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 B，区块参数为 (0,0,0,0,0,0,0,0,0,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)（检查点 C）
将风格 LoRA 合并到检查点 C（检查点 D）
使用以下公式合并 NoobAI-V-Pred-0.6-Version 与检查点 D：NoobAI-V-Pred-0.6-Version + (检查点 D - NoobAI-V-Pred-0.6-Version)。（Cat Tower vPred v1.1）
合并配方（vPred v1）
将 NoobAI-V-Pred-0.5-Version 与 cyberrealisticXL_v31 合并，并使用 NoobAI-V-Pred-0.5-Version 替换 CLIP。此方法与 NoobaiCyberFix 相同。（检查点 A）
通过“添加差异”和“截断”将 HarmoniqMix_vPred_v1 - NoobAI-V-Pred-0.5-Version 的差值合并到检查点 A（检查点 B）
通过“训练差异”将 Cat Carrier v1.0 与 Raehoshi illust XL v1.0 之间的差异合并到检查点 B，区块参数为 (0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.2,0.1,0.1,0.2,0.3,0.3,0.3,0.1,0.1,0.1,0.1,0.1)（检查点 C）
使用以下公式合并 NoobAI-V-Pred-0.5-Version 与检查点 C：NoobAI-V-Pred-0.5-Version + (检查点 C - NoobAI-V-Pred-0.5-Version)。（Cat Tower vPred v1）
合并配方（Epsilon-pred v1）
将 Cat Carrier v1.0 与 Raehoshi illust XL v1.0 之间的差异合并到 NoobaiCyberFix v1.0，公式为 NoobaiCyberFix + (Cat Carrier - Raehoshi illust XL) × alpha (0,0.2,0.2,0.2,0.2,0.2,0.2,0.2,0.4,0.2,0.2,0.4,0.6,0.6,0.6,0.2,0.2,0.2,0.2,0.2)，模式 = 添加差异，calcmode = trainDifference（检查点 A）
将 copycat-noob v0.3test 与 NoobAI-XL Epsilon-pred 0.75-Version 之间的差异合并到检查点 A，公式为 检查点 A + (copycat-noob - NoobAI-XL) × alpha (0,0,0,0,0,0,0,0,0.2,0,0,0.2,0.2,0.2,0.2,0,0,0,0,0)，模式 = 添加差异，calcmode = trainDifference（检查点 B）
将风格 LoRA 合并到检查点 B（Cat Tower Epsilon-pred v1）