支持最多 512 个 token，配合 Alucard 使用

当事情出错时会发生什么？

过度专注。它可能会选择一个主题并过度聚焦于此。在某个时刻，偏差导致某些元素权重过高，因此系统需要完全重新加权才能正确使用。

如何使用？

ComfyUI 工作流已附在商务女性图片上，以确保 Alucard 按预期工作，但这并非最简单的过程。

好了，我现在已正确命名所有内容。如果你拿到的是错误的版本，请确保获取正确版本。

提示词（Prompting）

每个版本均经过训练，以在 1280x1280 或更大尺寸（最高约 16nnx16nn）下激活，且 NSFW 元素应被完全黑名单屏蔽。

支持最多 512 个 token（配合 Alucard），以及 flan-t5-large 或 xl 设置为 512 个 token。在 256 时稍显稳定，但完全能够处理。将其与 bert-beatrix-2048 配对，可将上下文扩展至 512 以上，最高达 2048，但由此产生的结果最多只算是勉强可用。

它们主要针对小马主题输入以保证质量；因此你可以使用：

• score_9, score_8, score_7, score_6, score_5, score_4, score_3, score_2, score_1 用于评分

• masterpiece, most aesthetic, very aesthetic, displeasing, very displeasing 用于美学评价

• rating_safe, rating_sensitive, rating_explicit, rating_nsfw

• grid_a1 <- 完整网格支持

• 支持纯英文，并包含众多基础元素系统

• 大量的颜色、质量和确定性能力

使其正常工作

SIMULACRUM ROSE Epsilon 包含三个组件：

1. 微调器（Refiner）——专门用于优化图像生成的第 800 至 1000 步（即 80% 至 100%）。

   1. 需要：

      1. Simulacrum V4 - Epred 专家 + 所有 clips

2. 早期阶段（Early）——专门用于强化上下文并彻底重构文本到图像生成的图像。

   1. 需要：

      1. Simulacrum V4 - Epred 专家 + 所有 clips

3. 全流程（Full）——在合并并完成 0-1000 步全系统微调后，结合上述两个模块的综合方案。

   1. 需要：

      • Simulacrum V4 - Epred 专家 + 所有 clips

      • Alucard

        • dev2_electric_boogaloo

        • 已配置的 clip 采样器

          • 目前有多个，使用已配置的版本

        • shiva 折叠

        • 100 步，单次通过

          • flan-t5-large

          • bert-beatrix-2048

      • Simulacrum Rose T2I - 1.0 强度

      • 以上所有组件共同确保 Full 正常运行。部分组件可能被错误标记，若输出出现扫描线或异常结果，请尝试将 Refiner 替换为 T2I。

训练过程

每个模型均使用约一百万张图像训练超过 100 个 epoch，问题很快就会显现。它们被过度训练了，这也是我此前一直犹豫是否发布的原因。

若没有一套庞大的工具集支持，就无法轻松实现 Simulacrum Rose - Full 的正确插值版本。David 将在未来解决此问题，并直接与 Simulacrum Rose V2 配合。

这些模型均使用一种名为 Alucard 的新调度、折叠和处理格式进行训练——这是一种分步过程，旨在与标准噪声生成并行，实现条件的分隔式分桶处理。

系统本质上失败了，因为它无法在当前插值频谱内与噪声类型收敛。这既部分归因于微分方程设置错误，也部分归因于步进系统引入的随机漂移。

这些本质上是 NSFW 模型，因为训练过程过于激烈，但它们仍可用于多种用途，并具备相当强大的实用性。

它远未达到预期的水平。

对于等待这一版本的用户，我深表歉意。我曾长期推迟发布，而最终结果与频谱不兼容。尽管如此，输出结果仍应共享。

其 token 上下文在远超预期的 token 数量下仍能保持连贯性。模型在 bert-beatrix-2048 和 flan-t5-large 作为催化剂的条件下进行训练，因此当与标准 clips 搭配 simulacrum-epsilon-v4 使用时，效果最佳。