BigAsp2-X-Sim Omega vpred

AbstractPhilaAbstractPhila
20
925
pornbase modelnsfwsimulacrumomegabigaspbigasp2
v1 Balanced MixV1 OmegaHeavyv1 AspHeavyv1 VPRED Refitted

详情

下载文件

模型描述

更新1 缺乏真实数据；

正向提示词；

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>

负向提示词；

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 效果不错。

  • DPMPP_2S A -> BETA 效果不错。

  • Euler A -> BETA 效果较差。

  • Euler -> BETA 效果尚可，出乎意料。

  • RES_2M 无法使用。

IMG2IMG；

  • 去噪值设为 0.7 或更低，因为目前拟合尚不完整。

  • RES_2S -> BETA

  • EULER_A -> BETA

随着这些调整，成长的阵痛逐渐减轻，高质量的 absurdres 图像开始显现；而在这种情况下，主要是 3D 和动漫风格干扰较多。

我认为自己目前没有足够的真实数据来充分重新训练这个模型。我需要获取更多真实数据，或增强 Omega Clip 的强度。

对动漫使用强负向提示有助于真实感的凸显，但还不够。

如果我能获取到原始的 BigAsp 图像，我可以直接重新标注它们，并用较少比例的图像进行重新训练。

10 万张真实图像远远不够，我可能至少需要一百万张——但标注一百万张真实图像将耗费大量时间，因此请暂时耐心等待，待 Omega 一百万图像数据集完成第一轮训练。

即使使用 BigAsp 的 CLIPS，动漫图像数量仍足以造成显著偏移。我们今晚将看到训练轮次完成后的结果。

将有一个最终版本，即第三阶段（Stage 3）；目前正使用标准的一百万图像包进行训练，该数据包在模型拟合方面表现极佳。

这将是 BigAsp VPRED 固化版，但目前仍在训练中。

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

如果你拥有 BigAsp2 并厌倦了不断下载检查点，同时懂得如何进行合并，请参考此处：/model/1421066

Stage 1 和 Stage 2 的 LoRAs 可在此获取；如果你愿意，可获取最新版本自行制作 CLIP 合并，或自己合并 BigAsp CLIPS，尝试找到比我的更好的组合。

我并未训练这些 CLIPS，因为我的 CLIPS 与 BigAsp CLIPS 差异极大；因此我选择用一半自己的 CLIPS 和另一半 BigAsp CLIPS 训练 UNET。本质上，这是在大量使用 BigAsp 的基础上进行的深度微调，并以 Omega Clip_L 作为微调控制器。

Omega Clip_L 训练样本超过一亿，如果存在专家，那它就是大师级。

别……别往里输入任何东西，除非你真的想看到结果。

  • BigAsp2 简直疯狂。

  • 这个模型完全不符合任何标准偏差。

  • 它不遵循标准微调选项。

  • 它有时完全忽略微调训练。

  • 即使简单的微调数据也可能摧毁其已训练出的大量特性。

将其转换为 vpred 涉及仅使用噪声时间步，并搭配相似但发散的真实数据进行训练。

这是一次半成功、成本极低的转换，相当酷。但这并不改变模型难以控制的事实；因此我将其与 Order Bringer Omega 合并。

50/50（均衡）主厨推荐：Omega 与 BigAsp2 各占 50%。它拥有最佳的控制器；如果你想追求更疯狂的效果，可以继续向下选择 AspHeavy；或者如果你特别受虐，可以直接使用合并前的完整重训版本。

25/75（OmegaHeavy）对 OmegaHeavy 来说相当不错，因为 Omega 非常稳定，几乎无所不能。

75/25（AspHeavy）BigAsp 很有趣，但也相当难以驯服，且在计数方面能力极差。

我认为这个模型远非一个标准英语专家；但它是一个出色的 VPRED 转换原型，展示了使用 Omega CLIPS 进行极小量训练的强大效果。

尽管令人失望，我本期望用这些 BigAsp CLIPS 来教 Omega 标准英语，但结果恰恰相反：Omega 被“脑切除”了，因此我终止了该训练，转而让 BigAsp 的训练继续完成。

这是经过重新训练和微调的 BigAsp2 版本，已修复并转换为 VPRED 格式以供使用。

在重训之上，V1 合并为：

50/50 OmegaV0001 CLIPS 与 BigAsp CLIPS

微调训练使用：

  • 第一阶段 -> 80,000 个样本，训练中间时间步

    • OmegaAsp CLIP_L_1 = BigAsp CLIP_L 50/50 OmegaSim CLIP_L

      • 冻结

    • BigAsp CLIP_G

      • 冻结

  • 第二阶段 -> 200,000……？？？个样本，我记不清了

    • OmegaAsp CLIP_L_2 = OmegaAsp_CLIP_L_1 → BigAsp CLIP_L 50/50（现在 BigAsp 占 75%）

      • 冻结

    • BigAsp CLIP_G

      • 冻结

使用 Sim Omega 73 的 clip_l 和 clip_g 进行重训，且 CLIPS 冻结。

这既引入了许多 BigAsp 原本无法实现的稳定元素，也破坏了许多在转换过程中彻底破坏生成结果的 NSFW 元素。

三个版本分别面向喜欢原始版或新版的用户。

此模型生成的图像

未找到图像。