Super Cockskin PLUS - the official intact cock Lora - v0.9
详情
下载文件
模型描述
这是对我原始的Super Cockskin LoRA的改进 - /model/1106422
该模型旨在生成裸体未割包皮男性的图像。
此模型相较于原始模型有许多改进，我仍致力于持续优化。
设置：
采样器：我通常使用 Euler A + normal
步数：对我而言，30步效果最佳。有时减少步数会丢失概念
图像尺寸：1024x1024 或其他类似比例的等效尺寸
强度：1+（可以略高一点，但不要过度）。有时将强度提升至 1.1 左右，能更清晰地呈现概念。
提示：请同时使用你的 clip-l 和 t5xxl。你可以打开我发布的一张图片，点击节点将其粘贴到 ComfyUI 中，以了解我使用的节点和如何提示 clip-l。据我所知，关于 flux，你可以在 clip-l 中使用标签提示，而在 t5 中使用自然语言提示。
训练概念。请注意，并非所有概念都完全被理解。提示方式对结果影响极大：
裸体男性 — 无需特别提示阴茎。默认情况下，裸体男性应包含阴茎。
阴茎勃起 — 使用了“erection”、“boner”、“erect penis”等词，其中“erect penis”最易被理解，但提示效果不佳。勃起状态在配合其他动作时更易显现。
具体解剖结构 — 包皮、龟头、阴茎干、阴囊、尿道：可尝试“彩色解剖照片”、“蓝色包皮”等提示，以测试模型掌握程度。模型对这些结构的理解普遍较弱。
口交 — 使用了“fellatio”、“blowjob”、“oral sex”作为触发词，但“阴茎在口中”最易被理解。“舌头在包皮中”、“咬包皮”等词虽被使用，但模型通常缺乏足够细节区分。你必须精确描述姿势。仅用触发词无法获得稳定结果。站立和跪姿男性给我带来了最一致的结果。
肛交 — 已训练，但我至今尚未成功。
自慰 — 使用了“masturbating erect penis”、“penis in hand”。提示语如“一位裸体男性正自慰其勃起的阴茎，阴茎在手中”效果良好。“摩擦阴茎”未使用，但似乎也可行。
使用 Fleshlight 自慰
手指插入肛门 — 模型对肛门或肛孔理解很差。不过你或许能碰运气成功。
自口交 — 使用了“autofellatio”、“selfsuck”、“penis in mouth”，但动作看起来不自然。
射精 — 使用了“cumming”、“cumshot”、“semen”、“ejaculating cum”，但效果不自然，常被忽略。
排尿 — 使用了“piss”、“pee”、“urinating”，但看起来不自然，常被忽略或颜色错误。
阴茎对接 — 这是个复杂概念，可尝试“docking penises”。
插入包皮 — 模型训练时使用了“finger in foreskin”、“touching foreskin”、“penis in hand”等短语，但效果不稳定。“一张裸体男性用食指触碰其包皮尖端的照片”提示更稳定，通常能轻微推入。
拉扯包皮 — 本意是模拟拉拽，但常失败。其他术语混淆太多，因此这个似乎最有效。“弹性包皮”未在训练中使用，但似乎有助于 flux 理解。
多毛/非常多毛。也可尝试无毛。
动漫与漫画风格 — 训练过程中，随着照片风格渗透至其他概念，动漫图像质量越来越差。我添加了动漫和漫画艺术的正则化图像以尝试恢复这些风格。我个人认为，它比原始 flux 的动漫风格稍好。
该模型已完成训练，后期略有过拟合。我仍在继续优化。
如有人希望尝试复现类似模型，请参考我的建议：
本模型使用了 4 的网络秩（network rank）和 4 的网络阿尔法（network alpha）。数值过高似乎会让模型学得更快但更僵化，我认为会导致快速过拟合，生成效果类似糟糕的照片。
正确标注是学习概念的关键。主要原则是：若你希望某特征成为默认且固化的一部分，就不要在标注中提及。例如，若你希望所有裸体男性默认为疲软阴茎，则在仅展示站立裸体男性疲软阴茎的基础图像中，完全不要标注阴茎；仅在非默认图像（如勃起阴茎）中标注。
本模型主要使用老旧或极低质量照片训练。若你的图像质量差，请在标注中明确说明其“模糊”、“老旧”或“低质量”。如此，在实际提示时，若你不再使用“模糊”一词，模型生成的图像更可能清晰聚焦。但模糊图像仍可能渗入概念。此外，标注是否为特写也非常重要，否则模型会默认优先生成特写图像。
你可以通过“颜色编码”来增强解剖结构的定义。在 GIMP 中，为图像添加一个透明图层，用蓝色涂出某部位，然后合并图层，导出为 PNG 至你的图像文件夹（我为此创建了独立的“颜色编码解剖”文件夹）。虽然效果会略微固化，但有助于模型连接关联。仍需保留原始图像及其常规标注。
例如：“一张彩色编码解剖照片，展示裸体男性，阴茎为蓝色。” 或 “彩色编码解剖照片：勃起阴茎特写。包皮为红色，尿道为白色，阴囊为绿色。” 或 “肛门（又称肛孔）为蓝色”（我不太确定 flux 中如何最好表达“又称”）。
颜色编码会在训练中逐渐固化，但能保留各部位的相对位置。否则，当我提示“肛门”时（训练超过十几轮后），模型仍会生成小狗图像。但仅需一两轮颜色编码的肛门图像，模型就能基本掌握。
我读到过，AI 模型中存在某种热力图机制，未来或许能实现更精确控制，但目前这算是一种“技巧”。它类似于遮罩，但不会遮挡图像区域。
实际提示时，除非你明确指定“彩色编码解剖照片”，否则模型不会在生成图像中显示体表颜色，也不会影响默认生成的图像（除非你拥有过多此类颜色编码图像）。
本模型采用分批训练。我最初使用了包含所有概念的 650 张图像数据集进行前几轮训练，训练中会保存状态。每隔一段时间，我会暂停并剔除不再需要的图像，然后继续训练。
部分图像阻碍了训练效果。例如，我期望包皮开口可见，但许多图像因拍摄角度遮挡了开口。因此模型现在仍常在正对角度下隐藏这个开口。
我未使用正则化文件夹中的正则化图像，但我在各个风格文件夹（如动漫、漫画等）中添加了少量图像以保留这些风格，否则它们会越来越趋近照片风格。
综上所述，我正在开发另一个模型，数据集稍小，但这次我将采用分阶段训练：从基础到复杂（单人裸体 → 勃起 → 体液与触碰 → 双人性行为）。
如需在 Flux 上构建类似模型的帮助，请私信我或在 Discord 上联系我。我不是专家，但我很乐意与你交流。