FLUX.Model.Merge-Detail.Enhancement.and.Acceleration

クリエイター本人から：素晴らしいです : ) 下のチャットより

私は通常、ComfyUIでチェーンされた（3つの）サンプラーを使用します。

これは、teacacheを約0.25に設定します。CFGを1.5に設定するのは、最初のサンプラーで最も重要です。これは、若干の速度を犠牲にしながら、初期ノイズをより一貫して定義するのに役立ちます。

たとえば、45ステップの場合：

KSampler Adv #1：ノイズ追加有効、ステップ45、CFG 1.5、サンプラー ipndm、スケジューラ kl_optimal、開始ステップ 0、終了ステップ 15、残りノイズを返す：有効

KSampler Adv #2：ノイズ追加無効、ステップ45、CFG 1.5、サンプラー gradient_estimation、スケジューラ kl_optimal、開始ステップ 15、終了ステップ 30、ノイズ付きで返す：有効

KSampler Adv #3：ノイズ追加無効、ステップ45、CFG 1.0、サンプラー名 res_multistep、スケジューラ kl_optimal、開始ステップ 30、終了ステップ 45、ノイズ付きで返す：無効

24ステップで次のように使用してもうまくいきます：

ipndm_v > euler > dpmpp_2m

スケジューラには sgm_uniform を使用。

---

設定とアップロード—

テスト済みで、高速です : )

- 欠点：組み込みのデティーラーが追加したLoRAを上書きする可能性があります

例にある私のプロンプトは無視してください。その他のデータは問題ありません。

利点：同じステップ数で、これを使えば他のモデルよりもより洗練された結果になります。

まず、Detail Plus! 8ステップを使用していますが、私は12ステップで使います。

次に、16ステップを使用していますが、私は20ステップで使います。

Merge-Detail.enhancement.and.Acceleration

ベースモデルに基づいて構築されたマージモデル：

• Freepik's Flux.1-Lite-8B-alpha

• Flux-dev-de-distill

詳細強化および高速化技術を適用し、特にNVIDIA 4XXXカード（3XXXもおそらく対応）に最適化されています。目標は、オーバーヘッドを低くした高効率な高速化モデルを実現することです。

（Detail Plus! De-Re-Distilled | Detail Plus! Distilled）モデルでは、CFGを1付近に保ったまま使用できます。また、組み込みの高速化モジュールは基本的に意図通りに動作します。これらはワークフローの最適化の結果であり、いつでも変更、表示、非表示される可能性があります。

Detail Plus! - ベースモデル Freepik's Flux.1-Lite-8B-alphaに基づいて構築：

使用した詳細強化：

• Style LORA - Extreme Detailer for FLUX.1-dev（重み：0.5）(モデルリンク)

• Best of Flux: Style Enhancing LoRA（重み：0.25）(モデルリンク)

高速化のクレジット：

• ByteDance — AI技術のリーディングカンパニーが、以下のモデルを最適化：

  • Hyper-FLUX.1-dev-16steps

  • Hyper-FLUX.1-dev-8steps

クレジットおよび情報元：mdmachine