开始使用 Seele-NoobAI-SDXL 2.1：用户指南

1.概述

“Seele-NoobAI-SDXL 2.0 是在 noobai 的 NOOBAI XL-VPred 1.0 模型基础上微调而来，标志着重大进化。与 v1.0 及其衍生版本的关键区别在于，2.0 已不再仅限于风格化模型。”

这个新版本原生支持最高 2048x2048 的分辨率。事实上，本页所有预览图均直接以该高分辨率生成，未使用任何内补绘制或超分辨率处理。若想查看工作流，您只需下载图像并直接加载至 ComfyUI 中提取元数据即可。

与 v1.0 单一的风格化侧重不同，2.0 版本并未局限于特定美学风格。与原始 noobai 一样，它对提示词响应出色，尤其对艺术家标签反应极佳。通过专门的数据集筛选，我确保了这些标签生成的风格输出与原始 noobai 保持高度一致。这意味着您可以直接沿用 noobai 的艺术家标签字符串，获得几乎完全相同的结果。

如您感兴趣，我将在本文末尾分享我的训练方法。现在，让我正式介绍 Seele-NoobAI-SDXL 2.0：一款开箱即用、专为生成惊艳高分辨率图像而设计的模型！

2.提示词

在您的提示词末尾添加以下标签：

masterpiece, best quality, newest, absurdres, highres, high resolution,

推荐的负面提示词：

worst quality, normal quality, old, early, low quality, lowres, text, word, text watermark, Color cast, Blurred background, Halo, Colorful spots,

1024x1024 分辨率问题排查

如果您在生成 1024x1024 分辨率图像时遇到视觉伪影或图像畸变等问题，请对提示词进行以下调整：

1. 在您的正向提示词中：

   • 将 high resolution 替换为 normal resolution。

2. 在您的负向提示词中：

   • 添加 (high resolution:1.2), (medium resolution:1.2)。

此针对性调整可有效解决上述生成问题。

3.参数设置

cfg：4.5—5.5

与我们对 noobai 的建议不同，v2.0 默认建议禁用 Rescale CFG。但若生成过程中出现色彩伪影，可尝试将该值设为 0.5 进行调试。（重要：仅可从 0.5 开始向下调整，切勿增加该值。）

采样器：euler/euler a

此外，euler_ancestral_cfg_pp 和 euler_cfg_pp 采样器均为极佳选择，强烈推荐使用。

调度器：sgm_uniform

调度器首选 sgm_uniform。良好替代选项包括 simple 和 normal。虽然我们通常不建议使用 karras，但您可自行实验，判断是否符合您的特定需求。

步数：28—40

分辨率：

768x1344、832x1216、896x1152、1024x1024、1152x896、1216x832、1344x768、1024x1536、1536x1024、1536x1536、1536x2048、2048x1536、2048x2048、1920x1080、1080x1920

总结：您可以放心地在总面积介于 1024x1024 至 2048x2048 之间的任意分辨率下生成图像。理论上，该模型应支持低至 512x512 的分辨率，尽管我本人尚未测试。欢迎您自行实验，探索可能的极限。

最后，在参数设置的结尾，我想向希望进一步提升效果的用户推荐一项高级选项：euler_smea_dy 采样器。

这是一个卓越的采样器，专为原生高分辨率生成优化，可实现清晰锐利的线条。但若使用两步工作流（例如先在 1024x1024 等低分辨率下生成，再进行放大），则存在一个关键注意事项：在放大阶段，您必须将调度器设为 exponential。若未如此设置，图像背景将过度平滑，失去细节。

然而，若您直接在高分辨率下生成（例如 2048x1536），我认定此采样器近乎完美。感兴趣的用户可访问作者 GitHub 链接：Koishi-Star/Euler-Smea-Dyn-Sampler: A sampler base on Euler, aim at generating better picture/一种基于Euler的采样方法，旨在生成更好的图片

4.结语

我衷心希望您能享受使用 Seele-NoobAI-SDXL 2.0 创作的过程。若您生成了任何令您自豪的作品，我非常期待您将它们发布在图库中。

看到社区成员的创作成果，是我持续开发和改进此项目的最大动力与鼓励。感谢您的支持！

5.训练方法

v2.0 的高分辨率生成能力对我来说是一次全新的实验。尽管类似功能已存在于 Illustrious XL 1.0 及其后续模型中，但在我的训练流程中却完全是未知领域。

过程中我遇到了一系列问题，包括：低分辨率下输出损坏、高分辨率下持续出现伪影、模型完全无法生成任何连贯图像的灾难性失败，以及与大量基于 1024x1024 训练的社区 LoRA 之间的严重兼容冲突。

首先，我面临巨大的资金瓶颈。任何模型训练者都知道，理想方案是尽可能涵盖多样概念，意味着需使用海量图像进行训练。社区常用的数据源是 Danbooru，但以 2048 分辨率训练完整 Danbooru 数据集对我而言完全超出了预算。我只能负担仅数万张精选图像用于 2048px 训练。

因此，核心问题变为：如何在如此有限的数据集中最大化模型效能？我的策略是根据时间与 ID 筛选 danbooru2024 数据集，确保所选图像涵盖 Danbooru 历史中所有风格谱系。幸运的是，noobai 本身是一个极其稳健的基础模型。我在 1024px 下的测试证实，这种筛选方法对 noobai 原有的泛化能力影响微乎其微，成功保留了其强大的多样性和提示响应能力！

接下来，我着手解决第二个重大挑战：高分辨率训练的“实现方式”。我最初仅使用高分辨率图像的方案，导致低分辨率生成能力彻底崩溃——输出充斥噪点、人体结构扭曲。我随后的实验尝试混合低分辨率图像以保留该能力。此时，一位朋友提出了关键问题：是应使用同一组图像在不同分辨率下训练，还是应使用不同图像分布在不同分辨率下的混合数据集？

这次我运气不错。一次实验得出了明确结论：使用不同分辨率下不同图像的混合数据集，显著提升了模型的泛化能力。我的假设是：在有限图像集的不同分辨率下重复训练，相当于对该小数据集过拟合，自然会削弱模型的多样性。最终，我采用了 Illustrious XL 论文中提到的多阶段训练策略：我先用包含 1536px 图像的数据集训练模型，再用包含 2048px 图像的数据集进行最终训练。

6.其他信息

数据集：deepghs/danbooru2024 · Datasets at Hugging Face

参考资料：Illustrious: an Open Advanced Illustration Model

特别感谢 @Anlia 在训练方法上的宝贵指导。

由衷感谢 @Des_Moines_prpr 在模型测试阶段的协助。

感谢 @Vecthral 在训练过程中提供的指导。

1.概述

基于 noobai V 预测训练。

清晰的角色线条、丰富的背景细节和出色的光影表现——这是我的模型的优势！

当然，我也基于大量 NSFW 训练集进行训练，若您希望生成 NSFW 内容，我相信 Seele-NoobAI-SDXL 绝不会让您失望。

2.质量增强标签

在您的提示词末尾添加以下标签：

masterpiece,best quality,newest,absurdres,highres,

3.推荐负面提示词

worst quality,normal quality,old,early,low quality,lowres,signature,username,logo,bad hands,mutated hands,mammal,anthro,furry,ambiguous form,feral,semi-anthro,watermark,text,petals,light particle,

4.使用建议

采样器：euler/euler a

cfg：4.5-5.5

调度器：ddim_uniform/karras

步数：30-40

以上均为建议，实际使用中您可自由尝试其他参数组合！与 Noobai 一样，强烈建议您使用 Rescale CFG。

最后，强烈建议您至少进行 1.5 倍放大，以确保背景清晰锐利！

5.结语

我训练此模型的初衷是实现更优的角色线条和更丰富的背景。在模型训练结束时，我临时新增了一组光影训练集，因此您现在看到的 Seele-NoobAI-SDXL 拥有了不错的光影表现力。

希望各位喜欢这个模型，如果你们能在图库中多发一些作品，我一定会更加有动力继续优化！

更新日志

V2.1

本更新在 v2.0 基础上引入多项关键改进与错误修复：

• 修复了上一版本中存在的关键问题：多分辨率噪声迭代实现错误，导致零终端信噪比（SNR）被破坏。

• 训练数据集已增强：通过重新平衡组成并显著扩充整体规模。

• 1024px 分辨率下的图像生成质量得到提升，有效消除了此前容易出现的视觉伪影。

v2.0

提升了模型的高分辨率生成能力。

v1.2

抱歉，v1.1 上传时误传了一个严重过拟合的版本。v1.2 修正了此问题，我已调整训练集，使背景不再杂乱。

注意：本版本新增了负面提示词！

同时，我正在试验一种将令许多人感到惊讶的训练方法。基于此方法训练的模型可能不会在下一次更新中立即发布，但不久后将推出！

v1.1

基于 1.0 训练集重新训练，消除了部分动作中的灾难性遗忘问题，我对 v1.1 版本非常满意，未来更新将基于 v1.1 进行调整。