TwinkCockXL_alpha

TwinkCockXL (alpha01)

这是我第二个公开发布的LoRA。这个项目是我学习如何使用大型语言模型（LLM）为数据集打标签，从而生成高效LoRA的一种方式。

这是一个概念型LoRA，旨在让原本难以或完全无法生成阴茎的SDXL检查点模型能够生成阴茎。此外，我还次要关注阴茎与衣物的互动效果。

我称其为alpha版本，因为……嗯……它大部分时间能工作，但并不完美。

与我的其他LoRA不同，这个LoRA主要通过使用cogvlm-chat-hf LLM模型生成的简短自然语言短语进行训练，提问顺序如下：

"用大约20个词描述这个男人的年龄和体型。"

"用6到7个词描述这个男人的发色和发型，句子以“His hair is”开头。"

"用6到7个词描述这个男人阴茎的尺寸、长度以及是疲软、半勃起还是勃起状态，句子以“His penis is”开头。"

"用6到9个词描述这个男人所穿的衣物，句子始终以“he is wearing”开头。"

这些标签随后经过人工检查，并逐条编辑，以符合SDXL的70个标签限制。

主激活标签“twinkcockxl”被添加到所有图像中。以下子概念添加了辅助标签：

"betweenpantsshirtxl" – 一位年轻男子穿着上衣和下装（裤子、短裤、内裤），阴茎可见。

"cockthruflyxl" – 一位年轻男子，阴茎通过裤门襟可见。

"cockthrulegholexl" – 一位年轻男子，阴茎通过下装的裤腿开口可见。

"nopantsxl" – 一位年轻男子穿着上衣但无裤子，阴茎可见。

"noshirtxl" – 一位年轻男子穿着下装但无上衣，阴茎可见。

"fullynudexl" – 一位年轻男子全身赤裸，阴茎可见。

使用辅助标签并非必需。在有限测试中，仅使用辅助标签无法稳定生成期望的配置。看起来，自然语言提示与辅助标签不应相互矛盾，以获得最一致的生成效果。

一个示例提示如下：

"a full body shot of a young man in his late teens or early twenties, he is college sophomore, he is 19 years old, with a skinny and athletic body, with long sweaty undercut red hair, he has a heart face shape, his penis is flaccid, he is wearing sexy sweaty shirt, but no pants, running on a football field with a determined look kicking a ball, late afternoon, golden hour, he has a dynamic pose, dynamic shot, rule of thirds,lora:twinkcockxl01d\_alpha:1 twinkcockxl"

绿色部分为LoRA中包含的描述，其他描述则来自你所使用的检查点模型。

在阴茎描述方面，阴茎被分类为“his penis is flaccid”、“his penis is semi-erect”、“his penis is erect”。有时也描述为“large”、“averaged sized”或“small”。

当存在时，图像还会标注“he is holding his erect penis”或“he is holding his semi-erect penis”。有时也描述为“he is touching his erect penis”或“he is touching his semi-erect penis”。图像仅标记“holding”或“touching”之一，从不同时使用两者。

其他备注：一些非计划的标签也能产生可预测的效果，如“he is wearing a necklace”、“there is sunlight across his body”。“Shot from underneith”被使用，这是拼写错误。

虽然带有“fullynudexl”标签的图像不穿任何上衣或下装，但部分示例仍可能佩戴帽子（棒球帽，描述为“he is wearing a cap”或“he is wearing a backwards cap”）或穿鞋袜。

尽管训练此LoRA所用的绝大多数图像是“twinks”（年轻瘦削男性），但根据所用主检查点的不同，它也可用于生成其他体型和年龄段的人物。

面部：训练期间未对人脸进行遮罩，因此该LoRA会影响面部生成，并与主检查点产生交互。如需“干净”的面部，建议使用adetailer或专用面部模型。此外，建议使用独立提示描述面部，而不包含<lora激活标签>。我还发现，使用国籍或族裔的通配符，或在主检查点中包含特定脸型信息，也能改变面部特征。

在测试中，可能出现阴茎生成不一致或变形的情况。我发现，使用与原检查点推荐不同的采样器，或增加采样步数，有时能解决此问题。我通过生成X/Y图来寻找最佳配置。总体而言，我发现为阴茎使用Adetailer已不再必要。

本LoRA的训练数据约包含5000张图像（含重复和翻转），其中“betweenpantsshirtxl”和“fullynudexl”两类占比最高（各约20%），其余类别各约占10%。

特别感谢@markury、@zellian和spencer对本LoRA早期版本的测试。

如果你将此LoRA纳入你的混合模型中，我非常感谢你能提及或标注出处。我制作这个纯粹出于乐趣和学习目的，请勿商用或出售此LoRA。