更新1：実データが不足しています；

ポジティブプロンプト;

masterpiece, most aesthetic, very aesthetic, 
real, realistic, real person, 
score_9, score_8, score_7,
source_real, 

<bigasp captions go here>

real, realistic, realistic background, real,

<bigasp extra caption stuff for solidifiers>

<grid, depiction, offset tags go here>
<omega character captions go here>

<background and setting tags here, year tags, objects, and everything else>

ネガティブプロンプト;

ai generated, lowres,
disgusting, very displeasing, normal aesthetic, 
(anime, anime style, source_anime, 2d, 2d \(artwork\):1.1), 
film grain, low quality, 1990s, vhs filter, 

bad edit, bad anatomy, 
jpeg artifacts, 
monochrome, greyscale,
3d, 3d \(artwork\),

TXT2IMG;

• RES_2S -> BETA は良い。
• DPMPP_2S A -> BETA は良い。
• Euler A -> BETA はやや悪い。
• Euler -> BETA は普通、意外と。
• RES_2M は動作しない。

IMG2IMG;

• ノイズ除去値は0.7以下に設定してください。これは、フィットがまだ不完全だからです。
• RES_2S -> BETA
• EULER_A -> BETA

これらの要素が再調整されるにつれて、成長痛はやや軽減され、高品質なabsurdres画像が浮かび上がってきます。この場合、主に3Dとアニメです。

私はこのモデルを十分に再調整するための実データを持っていないと思います。より多くの実データを取得するか、OmegaのCLIP強度をさらに活用する必要があります。

アニメに対する強いネガティブは、リアルな要素を浮き彫りにするのに役立ちますが、それだけでは不十分です。

もし元のBigAsp画像にアクセスできるなら、それらを直接再タグ付けして、画像の少ない割合で再調整できます。

10万枚の実画像は十分ではありません。おそらく100万枚以上必要でしょうが、100万枚の実画像をタグ付けするには時間がかかります。そのため、現在は100万枚のOmegaデータセットの再調整が第1エポックを終えるまで、このままお待ちください。

BigAspのクリップを使用しても、アニメ画像の量が多すぎて大きなシフトが発生しています。今夜エポックが完了した際、どうなるか見てみましょう。

---

最終版（Stage 3）が1つだけ登場します。現在、モデルの適合に非常に効果的な標準の100万画像パックでトレーニング中です。

これはBigAsp VPRED Solidifedになりますが、現時点ではまだ調理中です。

https://huggingface.co/AbstractPhil/OMEGA-BIGASP/tree/main

BigAsp2をお持ちで、チェックポイントのダウンロードにうんざりしているが、マージの方法を知っている方はこちらへ：/model/1421066

Stage 1とStage 2のLoRAはこちらで入手できます。最新版を取得して、ご自身でCLIPマージを作成しても構いません。あるいは、BigAspクリップを自分でマージして、私が作成したものよりも良いミックスを考案してください。

私はCLIPをトレーニングしていません。私のCLIPとBigAspのCLIPは非常に異なるため、UNetのトレーニングには私のCLIPの半分とBigAspのCLIPの残りを使用しました。つまり、これはBigAspを大幅にファインチューニングしたものであり、Omega Clip_Lをファインチューニングコントローラーとして使用しています。

Omega Clip_Lは1億以上のサンプルでトレーニングされています。もしエキスパートがいるなら、それはグランドマスターです。

はい、やめておいてください…本当に見たいものだけを入力してください。

• BigAsp2は全くの狂気です。
• このモデルは標準的な偏差に従いません。
• 標準的なファインチューニングオプションに準拠しません。
• ときにはファインチューニングトレーニングを完全に無視します。
• 単純なファインチューニングデータでも、学習された多くの要素を破壊してしまいます。

VPREDへの変換は、類似しながらも異なるリアルなデータを用いてノイズのタイムステップのみをトレーニングすることで実現しました。

これは半成功で非常に低コストな変換であり、かなり素晴らしいです。しかし、モデルが制御不能であるという事実は変わりません。そのため、私はこれにOrder Bringer Omegaとマージしました。

50/50（バランス）シェフの選択は、OmegaとBigAsp2の50/50マージです。これは最良のコントローラーを備えていますが、より狂った結果が欲しい場合は、AspHeavyまで段階的に下ってください。あるいは、非常にマゾヒスティックな方は、マージ前の完全な再調整版を取得してください。

25/75（OmegaHeavy）はOmegaHeavyにとって非常に良いです。Omegaは非常に安定しており、ほぼ何でも可能です。

75/25（AspHeavy）BigAspは楽しいですが、かなり制御不能で、数え上げる能力が非常に低いです。

---

このモデルは、英語のプレーンなエキスパートとは程遠いですが、Omegaクリップを最小限のトレーニングで使用したVPRED変換の優れたプロトタイプです。

残念でしたが、当初はBigAspクリップを使ってOmegaにプレーンな英語を教えるつもりでした。しかし、逆にOmegaがロボトミーされてしまったため、そのトレーニングを中止し、代わりにBigAspのトレーニングを完了させました。

---

BigAsp2の再調整・ファインチューニング版。VPREDへの対応のために修復・再調整されています。

再調整の上に構築されたV1マージは以下の通りです：

50/50 OmegaV0001クリップとBigAspクリップ

以下でファインチューニングトレーニング：

• Stage 1 -> 80,000サンプル、中間タイムステップをトレーニング

  • OmegaAsp CLIP_L_1 = BigAsp CLIP_L 50/50 OmegaSim CLIP_L
    • フリーズ
  • BigAsp CLIP_G
    • フリーズ

• Stage 2 -> 200,000…？サンプル、正直数え忘れました

  • OmegaAsp CLIP_L_2 = OmegaAsp_CLIP_L_1 → BigAsp CLIP_L 50/50（現在75% BigAsp）
    • フリーズ
  • BigAsp CLIP_G
    • フリーズ

Sim Omega 73のclip_lとclip_gを使用し、フリーズされたクリップで再調整。

これにより、BigAspでは通常動作しない多くの安全な要素が導入され、変換中に完全に破壊的だった多くのNSFW要素が除去されました。

この3つのバージョンは、オリジナルと新バージョンのどちらを好むかに応じて選択することを目的としています。