AnythingQingMix

_Qing__Qing_
2.1K
13.5K
动画femalegaybarastyleyaoi女人girlsmalemanmen真实womenboys
v3.0v2.0v1.0

详情

下载文件

模型描述

本模型禁止用于任何商业及违法用途，禁止随意转载，仅限成果分享，违者后果自负！

（我的QQ群：235392155，Lora代练、ckpt融合调整请加我QQ：2402799912）

我在国内平台 tusi.art 和 liblibai.com 也上传了本模型，各平台的创作激励机制不同，敬请关注与支持！（我将在本模型的示例图中公开部分作品）

【闲鱼】https://m.tb.cn/h.5V7ITvv?tk=eY01dB4UcnH

这是我的爱发电链接，求打赏点电费QAQ，感谢您的支持！

https://afdian.net/a/Qing

一、模型特征概述

V3：

一、更新操作：

  1. 使用MBW插件，通过穷举法融合了部分 basil mix 的输入层与中间层
  2. 使用MBW插件，以极低权重通过穷举法融合了部分模型的输出层

二、更新效果：

  1. 提高了标签（tag）的准确率
  2. 提升了画面饱和度，增强了真实质感
  3. 改进了光影表现
  4. 提高了肢体结构的准确性
  5. 提升了角色LoRA的还原度

三、注意事项：

  1. 建议使用VAE：animevae，以避免过度饱和（画廊示例图分别使用该VAE与84000）
  2. 更高的tag准确率意味着对tag写法要求更高，若V3难以上手，可尝试V2或V1版本

V2：

（若仅偏好成熟肌肉男性形象，或希望使用更简单版本，可尝试V1）

一、更新操作：

  1. 将NovelAI原版VAE替换为模型内VAE
  2. 通过穷举法替换ckpt中的CLIP模型
  3. 与未融合LoRA的V1版本进行融合

二、更新效果：

  1. 提升了tag准确率
  2. 提高了构图质量
  3. 减轻了融合LoRA导致的形象固化
  4. 降低了对部分tag的过高权重影响

V1：

  1. 泛化型融合模型，可对应多种tag生成多样画风，具备极高的出图下限与tag准确性，且从返图区可见其一大优势^v^
  2. 人体塑造能力极强，至今未出现肢体崩坏，手部与脚部崩坏概率极低
  3. 融合时刻意规避对脸部的影响，因此面部无固化，非常适合搭配角色LoRA
  4. 无CLIP偏移问题
  5. 因UNet存在轻微过拟合，部分tag表现不稳定

二、出图建议

（具体参数可参考封面图，不同VAE效果各异，我亦常开启Face Editor插件）

  1. 因融合了大量真人模型，建议尝试与生成真人底模相同的参数，但仍强烈建议不要使用面部修复
  2. 出图时可添加质量词，效果显著。若希望画面更真实立体，可使用与写实、光影相关的tag
  3. 可多尝试在相同tag下，将CLIP跳过层设为1与2的出图差异
  4. 方图、长图、宽图表现均优秀，可自由调整画布比例
  5. 建议尝试高分辨率修复，不建议使用面部修复
  6. 请多多点赞、返图、评论、给予五星评价哦~

三、融合所用模型

（我无法100%确认，仅作参考）

VAE： orangemixa3.vae.pt

LoRA：（总权重为0.3）

CKPT：

四、给予访客使用模型的一些建议与回答

（英文翻译如下）

（作为一名外行，虽然没有接受过美术和AI的专业课程训练，但我仍在不断努力学习与探索，并与各位前辈交流心得。我对自身关注的事物有着极高的精神洁癖，因此我希望能在自己的小天地里传播正确的AI知识。这些内容在下方文档中均有说明，仅作为对具体问题的单独回应。）

1、LORA

  • 对于动漫角色LoRA而言，最佳权重为1。虽然我们可以通过调整权重来改善拟合效果，但改变权重往往会带来一些负面影响。例如：C站的动漫角色LoRA大多数都存在过拟合现象，为了缓解这一问题，常建议将权重降低至0.6或0.8，但这一做法会导致角色丢失部分原有的外观特征。

  • 过拟合通俗解释：由于过度训练导致LoRA表现僵化，例如人物不响应提示词（tag），甚至生成原始训练素材中的图像。

2、CKP

  • Clip偏移和UNet过拟合都会导致模型不响应提示词（tag）。

  • Clip偏移会导致提示词识别错误，C站相当一部分模型存在此问题却未自知。如果你感兴趣，我将在下方“其他”部分提供检查及简单修复的方法。

  • UNet过拟合也会让模型僵化，不听tag使唤，甚至在无tag的情况下跑出好看的图片，这也是过拟合吐原图的情况

  • 融合类ckpt能够很好地提高模型出图的下限，但融合模型对于tag的权重是很乱的，因此会各具“特色”，同样，基于此类模型训练的lora很难在其他模型上适用

  • 如果你希望大模型对于lora及其他模型的接纳程度更好，就尽量不要再融合ckpt模型时融合lora，或者和我一样在权衡之下融入以较低权重修正不尽人意的部分

3、VAE

  • CKP自身就有一个VAE，外挂VAE不是用于额外的增加，而是用于替换

  • VAE最直观的表现是饱和度变化，但这并非VAE功能的全部，对于出图而言，它还会改变构图、细节等等

4、其他

  • 模型占内存大的不一定好，很多模型内有一堆无用数据，下载完全是浪费流量和内存

  • 示例图的好坏不能确定模型质量，除了基于作者本身的审美外，你无法确定他用了多少模型、插件的辅助，也无法确定他文生图跑了几次、图生图跑了几次

  • 下载量与点赞也不能确定模型质量，点赞量基于下载量，而下载量会和作者名气、封面图片受众、模型角色人气、模型画风受众、模型类型受众等等相关

  • 模型并非版本最新就最好，很多时候是基于某一版本的不同方向的调整。甚至有部分作者为了通过更新推送蹭更多下载量而恶意刷更新，实际使用下来模型的质量不过是在原地迂回踏步

  • 其他更为专业详细的知识请看万象熔炉 | Anything V5/Ink的简介部分，关于clip偏移的检验修复的扩展链接在此文档前段部分中

    模型链接：万象熔炉 | Anything V5/Ink - V3.2++[ink] | Stable Diffusion Checkpoint | Civitai

4. 用户关于模型使用的建议与解答：

（作为一名没有艺术和AI正规教育背景的普通人，尽管我持续学习、探索，并与多位专家交流经验，我对涉及我的事项始终秉持高度准确性的承诺，因此我希望在我的空间传递正确的AI知识。详细内容见下文文档，仅用于单独解答遇到的问题。）

1. LORA：

对于动漫角色LORA，理想权重为1。虽然我们可以通过调整权重来改善拟合效果，但这可能带来额外的不良影响。例如：在某些图片分享网站上，许多动漫角色LORA存在过拟合现象。为缓解此问题，常建议将权重降至0.6/0.8。然而，这可能导致角色失去部分原始特征。

过拟合的简化解释：过度训练会导致LoRA表现僵化，使角色无法遵循标签，甚至生成与输入材料无关的图像。

2. CKP：

Clip偏移和Unet过拟合都可能导致模型不遵循标签。

Clip偏移会导致标签识别问题。许多平台上的模型在不知情的情况下存在此问题。若感兴趣，我将在下面的“其他”部分提供检查和修复方法。

Unet过拟合也可能导致僵化、不遵循标签，甚至生成无任何标签但仍具吸引力的图像。这种情况通常发生在过拟合产生的图像与原始材料几乎完全一致时。

融合风格的CKPT模型可以提升图像生成质量的下限。然而，融合模型中的标签权重往往杂乱无章，导致多样化的“特征”。同样，基于此类模型训练的LoRA与其他模型的兼容性较差。

如果你希望大型模型更好地整合LoRA和其他模型，在合并CKP模型时应避免融合LoRA。或者，像我一样，在融合过程中以较低权重纳入表现一般的部分。

3. VAE：

CKP本身已包含VAE。外部VAE旨在替换，而非补充它。

VAE最直接的效果是改变饱和度。但这并非其全部功能；在生成图像时，它还可能影响构图、细节等方面。

4. 其他：

内存消耗大的模型并不一定更优秀；许多模型包含冗余数据，浪费带宽和内存。

样本图像的质量并不能 definitively 决定模型质量。除了作者的审美偏好外，你无法得知涉及了多少模型、插件和迭代次数。下载量和点赞数也不是可靠指标；点赞通常与下载量挂钩，而下载量受作者声誉、封面吸引力、角色人气、艺术风格兼容性及受众类型等因素影响。

模型的新版本并不总是更优。通常，同一版本内会根据不同的方向进行调整。事实上，一些作者恶意利用更新来增加下载量。实际上，模型的质量只是原地踏步。

如需更专业和详细的知识，请参考《万象熔炉 | Anything V5/Ink》的介绍部分。有关检查和修复clip偏移问题的扩展链接位于本文档的前部。

此模型生成的图像

未找到图像。