Spider Gwen / Gwen Stacy

该模型旨在帮助生成鲜艳的插画/类3D风格的蜘蛛格温/格温·斯黛西图像。

使用“Gwen Stacy”一词更可能生成未戴面具的角色，而使用“Spider Gwen”则更可能生成戴面具的角色。如果你想要生成完全不穿服装的角色，请不要使用上述两个词，而只需描述服装本身，不要提及“谁”。

版本1.1更偏向于清晰、对比强烈、视觉冲击力强的插画风格，减少了3D效果，不过使用较低权重仍可实现后者。

我通常会将Chroma作为LoRA的目标阶段，从中生成数据集，最终目标是Z-Image；但有时我也会选择Illustrious作为目标，尤其是在完全从该阶段提取数据集时。在此案例中，我选择了Illustrious的精炼版本。

当我发布此LoRA时，我还不知道我用于数据集的Illustrious模型的来源，但现在这个问题已经解决。尽管我仍保留了上传的版本，但我已标注了原始资源以示致谢，请参见资源中的iLustMix（v3）。此外，该混合模型还有其他版本，我正在测试其中几个，尽管v9呈现出非常不同的风格，但我还挺喜欢的。

每当我测试Danbooru或e621的触发词集合以寻找有趣的角色、服装或动作时，我都会首先参考这个被标记为“iLustMix”并现已列入资源的模型，确保它在Illustrious中，以免抓狂。

选择一组主题图像来生成Illustrious LoRA，帮助我将结果导向目标。随后，我使用Illustrious生成图像用于Z-Image目标，共使用了218张。通过随机种子生成自然的动作姿态，再手动添加明确的姿态、面部表情、朝向、戴面具与不戴面具的版本，并提供丰富的服装多样性，这应能为你的创意探索提供足够扎实的基础。

图像随后被裁剪以聚焦主体，并清除所有残留伪影。我训练了三组，每组20个周期，每组训练步数略超6000步，使用了不同的rank和alpha值，最终选定32/1以获得更优细节。基于此，我生成了数千张图像以评估灵活性，随后回到起点，将图像从174张增加到218张，最终训练至33个周期，共7194步。请注意，训练器（OneTrainer）使用从零开始的索引，因此最终显示的7193实际对应7194步。

信息太多？那你为什么还继续读？:P~

格温·斯黛西首次出现在媒体中是1965年12月出版的漫威漫画《神奇的蜘蛛侠》第31期。了解这一点很有趣，因为我一直是蜘蛛侠粉丝，却直到《蜘蛛侠：平行宇宙》上映后才认识格温——接下来我就会提到这部影片。

本LoRA所塑造的角色旨在重现该虚构人物在《蜘蛛侠：纵横宇宙》发布前的美学风格，但融入了更现代的审美与3D光泽。

要生成视觉冲击力强的图像，你需要添加大量细节，甚至描述那些对你而言显而易见的元素，详细说明其颜色、质感与触感。

我常使用训练时所用的标注来还原原始图像的精髓，但这一次图像均为手动提示生成。因此，我从网络上收集了大量不同动作与场景中的蜘蛛格温（斯黛西）图像，然后使用joy-captioning工具生成详细的描述，再根据需要调整这些标注，以生成示例提示。

v1.1将训练步数推进至10027步，从同一批图像中筛选出精炼集，以引导模型更偏向插画风格而非3D风格。