Rite of Wrong

这个LoRA旨在成为一个多功能的构建引擎，偏向未来主义、电子风格和（某种）朋克类型，但你会发现它也能轻松生成真实图像，甚至能清理ZIT产生的模糊感——而这正是ZIT的独特魅力所在（尽管我不确定其他人是否也有同样的体验，但我经常使用另一个LoRA来平滑ZIT的原始输出）。

不过，我要坦率地说一件事：我花了整整一周的时间，试图创建一个专为增强人类设计的“机械”构建套件，但在三次尝试、数万步训练、多次细化、添加额外图像并清理产生身体恐怖（ nudity 似乎会打乱其平衡）的图像之后，它仍然无法达到我预期的效果。最终我意识到，这个模型根本无法实现我当初设想的“魔法”。但它对我而言实在太有价值了，我舍不得丢弃。于是，我调整了期望，尝试了不同风格，结果发现它不仅有价值，而且实际上正是我未来某天希望学会生成的东西——当我更深入理解这些技术时。

在我不断添加主题、修正措施和修剪数据集的过程中，我找到了一个朝着特定目标收敛的转折点，但仅仅再训练约500步后，它就崩溃了。因此，虽然我知道必须将它引向另一个方向——更具体地说，我必须根据它的实际能力来给它命名——但我仍希望它保留我最初试图构建的LoRA的一些特征。我有三个不可或缺的核心特征： humanoid 机械必须拥有大而圆的肩部护甲、昆虫类细节，并且手臂尺寸与其身体比例必须不协调。

为实现这一目标，我保留了产生过渡的15k步训练结果——若非我另辟蹊径，这些步骤本会导致收敛崩溃——并以此为基础，通过658张图像引入了16种鲜明的风格与类型特征，目标涵盖以下领域：

赛博朋克
蒸汽朋克
柴油朋克
太空朋克
生化人
19世纪—维多利亚风格
旧西部
未来主义
英雄（通用）
工业机器人（骨架）
昆虫
机器人（人形）
环境（各类建筑、室内、主题）
服饰（服装、时尚、风格）
人物—杂项（各种情境与环境中的男女）
电子设备（元件、电路板、主板、迷你板等）

在为原始主题构建数据集时，我始终以“构建”为出发点，确保不同特征之间能相互调用。这可能难以描述，但你可以想象：动物可能存在于模型的某一区域，而人类则存在于另一区域。这些区域可视为“聚类”，若聚类间存在关联，调用不同聚类的特征时就能构建出更多样化的组合。为了在这些聚类间建立桥梁，我在图像中加入了原本属于不同聚类的无关元素，从而将它们“联姻”，让一个聚类的特性得以融入另一个聚类。例如，我的一个目标就是将昆虫的细节大量注入人类、生化人和机械中，利用提示词作为构建工具，创造出高度精密的人形机械。我称之为“锚定”。

我之前提到过“锚定”，而我认为这是该实现最强大的地方。通过引用上述任何已知特征，我们似乎能深入神经网络，提取出模型在训练时已掌握的特性，其清晰度与原始训练时相当，而我们的LoRA并不会覆盖已有内容，而是以多种方式对其进行增强——这种增强在前后对比中尤为明显。

所有训练图像均不含情色互动或露骨内容。如前所述，我已移除所有裸露图像——这可能在你使用其他LoRA补充缺失细节时，对“锚定”产生一定干扰。

在我看来，模型生成的身体恐怖和缺失主题的极低质量，源于刻意的路径损伤：因为我们无法加入这些内容，模型中没有对应的聚类容纳它们，或那些被识别为容纳此类内容的聚类，已被100%的“牛肉块”填满。我不指望Z-Image-Omni现身时我们会更自由，但多亏了Lodestone，我们根本无需在意它。

如果我们任由这种趋势继续，你将需要一个LLM来盯着你，告诉你头发是否梳好了——因为你的镜子会显示一个覆盖你面部反射的叠加层，用红色警告语安慰你：“检测到真实人类，安全措施已启动！”