AI和机器学习的免费资源：patreon.com/yolkhead

Patreon 上的所有内容均100%免费，这得益于一些出色会员的支持。因此，如果你觉得这些资源有帮助，他们无疑发挥了重要作用。

---

---

所有生成的图像应仍包含元数据，因此只需将其拖入 Forge 的图像检查器即可。从不进行图像修复，所有结果都应可直接复现。我通常甚至不用高分辨率修复（hires.fix），而是直接将 CFG 调得非常高，原生生成高分辨率图像——这其实是一种炫耀，没人真会注意，但我自己乐在其中。

---

---

版本：

CRUSH (sdxl)

在此预存专辑：https://artists.landr.com/055905712428

生成指南--------------------

最佳配合“粘性负向提示”方法使用：https://www.patreon.com/posts/sticky-negatives-119624467

我建议从 CFG 10-20 开始，使用 DPM 2a 或 DPM 3M SDE，以及 UNIFORM 调度器，步数为 15 - 60（在许多情况下，15 步已足够，有时甚至可低至 11）。请注意，此模型不含任何超模块或类似内容，仅依靠高 CFG 值而无明显伪影，意味着准确的嵌入，从而允许更低的步数和/或更高分辨率。

我尚未广泛测试其与 LoRA 的兼容性，但根据我测试的几个 LoRA，其权重需为正常值的约 1/10。

/end_生成指南---------------

这个模型是我至今使用过最通用的一个。它是一个简单的合并模型，通过树状层级逐步构建，最终实现一个使用 8 个模型、每阶段以 50%/50% 权重合并的模型。

不，我不知道它具体包含哪些内容。这正是设计的一部分：我进行了盲测图像评估，以决定哪些模型将被纳入其中，并相应修改了模型名称，以确保我的先入之见不会偏向任何方向。

本质上，该模型的权重更接近于用户偏好的“平均值”，因为我测试的模型均是用户高度偏好的模型，再从中根据进一步的个体偏好优化进行筛选。因此，该模型的权重并不特别强烈，高 CFG 值是正常现象，才能获得你所需的信号强度。

这意味着，如果你在此基础上进行微调，必须将学习率设置得低得多。我将在某个视频中解释原因，但请相信我，你会发现损失曲线比正常学习率低几个数量级时要好得多。这与模型权重中原始信号通过相对性保留有关，由于均值回归，这些信号非常“脆弱”——但这是另一个话题，等我有空在 Patreon 上详细说明。

我推荐为此模型使用 DPM2a、DPM 3M SDE 或 DDPM。尤其是 DPM 2a 在高 CFG 值下表现更佳，因为额外增加的噪声在拥有强大且准确的向量时很容易被处理，而这种增加本质上为修正错误提供了有用信息，同时有助于避免过拟合。

PINK CONCRETE (flux)

在此收听专辑：https://open.spotify.com/album/6mb2KnxcVOIKZBzEiq2Mdg?si=EIlFSDTfSfaFJglMPttk4g

Pink Concrete 音乐视频：https://www.instagram.com/reel/DD4Ah0LObCe

我强烈建议将 zer0int 的 CLIP-L 微调版本与本模型（以及任何 flux 微调模型）结合使用，因为性能提升简直惊人。

可在此下载：https://huggingface.co/zer0int/CLIP-GmP-ViT-L-14/blob/main/ViT-L-14-BEST-smooth-GmP-TE-only-HF-format.safetensors

以及：https://huggingface.co/zer0int/CLIP-GmP-ViT-L-14/blob/main/ViT-L-14-TEXT-detail-improved-hiT-GmP-TE-only-HF.safetensors

两者之间存在差异，但哪个更好尚不明确：建议保留两者，因为当你在某个提示上遇到困难时，切换 CLIP 模型可能会突然解决问题。

该模型基于我过去在 SDXL 微调中使用过的方法构建，但此次更加精细——我需要为数据集生成更高品质的图像，以避免无意中损害模型的 UNet。一般来说，模型品质越高，用于训练的数据集就需要越谨慎，因为任何“品质下降”都可能主观地损害其原始构图的特性。

这是一个整体提升。它不像某些 flux 微调模型那样擅长处理 NSFW 内容，但公平地说，目前没有任何 flux 微调模型能在这一方面超越 SDXL，因此这无关紧要。我设计此模型的主要目的是取消基础 flux 模型中许多安全训练，以提升 UNet 的质量和整体表现，作为未来微调的起点（结果似乎比预期更好）。