AccretionDiscXL

吸积盘 /əˈkrēSHən disk/

1. （名词）在引力作用下，围绕大质量天体（如黑洞）形成的旋转物质盘，由吸积过程产生。

简介

这是一个有点“怪异”的模型。说实话，我觉得MIX-GEM-QromEW（在推荐模型标签页查看MyMix-J/GEM，或在Yodayo或Tensor.art上查看我的个人主页）在构图感方面更出色，黑色的处理和色彩对比也更好。不过，这个模型在表现绘画风格方面优于QromEW，比例控制也稍好一些，自有其优点。也许我的失望只是因为我设定了过高的标准？谁知道呢？

无论如何，这个模型是通过两个不同模型各50%混合而成的：MIX-GEM-lyQrom（本质上是QromEW的轻微调整版）和另一个暂命名为ls-chromeshine-dino8loraquasar8lycomerge-doubled的模型。我之后可能会上传lyQrom模型，因为它可用，但ls-chromeshine-dino8loraquasar8lycomerge-doubled则较难处理。前者是在LS Equos V1基础上进行的简单LoRA+LyCORIS合并，后者是在训练过的LS Equos基础上进行的LoRA+LyCORIS合并。ls-chromeshine-dino8loraquasar8lycomerge-doubled的一些输出效果确实更好，但整体上过于不稳定，因此才合并了lyQrom来平衡高低表现，使最终模型更实用。以下展示的图片是ls-chromeshine-dino8loraquasar8lycomerge-doubled的最佳输出，用于说明与lyQrom合并后的效果。我必须提前说明，这些图片并不能代表平均水平，否则我直接上传ls-chromeshine-dino8loraquasar8lycomerge-doubled就行了。

如你所见，合并成功将部分风格效果保留到了更稳定的lyQrom中。此外，ls-chromeshine-dino8loraquasar8lycomerge-doubled存在的其他缺陷，如色调过于偏棕、头发过于“尖刺”（暂无更贴切词汇），也在合并后得到了修正。不过，风格保留仍不够稳定——如果将来我重新审视这个模型，目标将是创建一个版本，在保留ls-chromeshine-dino8loraquasar8lycomerge-doubled独特特质的同时，借鉴QromEW的构图优势，或许可通过分块合并实现。

提示词使用

这是一个基于标签的模型，因此请优先使用标签，仅在必要时辅以自然语言。如果你不熟悉该模型响应的标签类型，大多数动漫风格模型的训练数据通常来自Danbooru或e621。这两个网站都有详尽的标签维基，可作为参考。

无论如何，请勿在提示中使用主观性术语。我经常观察到，像best quality、high quality、very aesthetic，或score_9、score_8、score_7_up这类标签，AI本身并不理解其含义，它们只是被训练注入模型的限定词（通常是基于用户评分指标，因为人类无法逐个评估数百万幅作品的质量）。AI的黄金法则是：它只懂得你喂给它的东西。（这也意味着像beautiful woman或perfect face这类标签若未在训练时被使用，也不会产生效果——鉴于来源和自动打标器的限制，这种情况极不可能发生。）

至于负面提示词，由你决定。最佳做法是，对同一种子多次修改提示词并逐步调整负面词，但若你没有无限的时间，以下是一些有用的负面标签：low quality、extra digits、artistic error、watermark、artist name、signature。e621_p_low是一个内置的通用负面质量标签，其标记数少于score_6、score_5、score_4。如果你不信任它，也可以选择完整的质量标签链，但在我看来，它是一个更优的替代方案。预览图可作为参考，当然，你可以自由调整自己的负面提示词。

采样与其他参数

与所有扩散模型一样，负面提示词在分类器自由引导尺度（CFG）越高时影响越显著。虽然提示词决定文本编码器如何调节潜在空间，但CFG调节其强度。要详细解释提示词如何引导潜在空间需要大量文字，简而言之：无条件条件（负面提示）抑制某些向量进入潜在空间，CFG值越高，抑制作用越强（同时正向条件的作用也越强）。但过高的CFG会导致图像“烧毁”，即在去噪过程中施加过强的影响。我建议使用Perturbed Attention Guidance (PAG)来增强引导强度而不提高CFG，或使用Dynamic Thresholding CFG在早期步骤中限制CFG值。

我推荐的采样器是Euler A，搭配你最喜欢的调度器。对我而言，SGMUniform效果最好且速度最快，但其他用户更喜欢AYS采样器。我个人使用AYS时发现，它通常更贴近提示词，但也会放大模型因数据清洗不足而学到的某些不良特质，偶尔还会注入文字或水印。若你愿意尝试更小众的采样器，我发现Euler dy Negative特别干净。主观上它比Euler A“更保守”，但非常擅长生成简洁、清晰、干净的图像。

我建议步数为25-35步，我的默认值是28。坦率地说，你不应超出这个范围。对于非收敛采样器（如随机采样器和祖先采样器），增加步数会显著改变图像；而对收敛采样器而言，一旦超过35步，收益微乎其微，纯粹浪费计算资源。更好的办法是调整其他参数（比如提示词），而不是盲目认为更多步数能解决所有问题。

该模型在832x1216或768x1344分辨率下表现最佳。