Hikarimagine XL

这是一个基于 Animagine XL 4.0 的实验性模型。

原始模型由 Cagliostro 研究实验室 开发。

许可证：Open rail ++

在阅读了这篇文章后 https://www.reddit.com/r/StableDiffusion/comments/1o1u2zm/text_encoders_in_noobai_are_dramatically_flawed_a/，我想尝试一下。也许在训练前先训练文本编码器，并在训练过程中保持其冻结，会是更好的做法。我将 Clip L 合并到 Animagine XL 4.0 中，并进一步训练了它，使用 70 万张图像进行 3 个周期，以修复图像缺陷，并将知识更新至约 2025 年 5 月。不过这可能仍不足够，我可能会再进行一次训练，将其更新到 2025 年 9 月。

此外，我还搭建了一个简易平台，可免费生成图像：https://miyukiai.com/

但由于 GPU 数量有限，可能会有较长的等待时间。
如果你喜欢我的作品，捐赠可以支持我的模型开发并维持平台免费：https://ko-fi.com/suzushi2024

以下仅是我对 AI 模型的一般性想法及当前未来计划的简要说明。

最初计划是开发一个优质的 SD3.5 中型动漫基础模型。但数月前，已有许多项目围绕此展开。如果我们拥有多个基础模型和 LoRA，便有可能构建一个非常完善的 SD3.5M 生态系统。然而，许多此类项目似乎在训练过程中被取消或失败了。此外，由于新变化，所有 SD3/3.5 系列模型又被从 CivitAI 上移除。尽管如此，我仍会持续在 Hugging Face 上更新本系列，供有兴趣者参考：https://huggingface.co/collections/suzushi/miso-diffusion-m。

我也期待训练一个更小的 DiT 基础模型。到目前为止，Lumina 看起来颇具潜力。大多数 DiT 模型体积较大，在 RTX 4080 等设备上等待至少 90 秒生成一张图像不仅耗时过长，而且大多数人也没有这类硬件。因此，我的目标是选择一个小型且稳健的模型。我已开始准备微调文本编码器，但仍需做更多准备工作。此前曾对 Sana 进行过另一项实验性训练；虽然它能实现更快的生成，但参数量小意味着更易生成有缺陷的图像，并产生身体恐怖效果（尤其是手部），且难以捕捉精细细节，因此我认为它不适合做下一个模型。