著名 × 小马 Mi**×**

在 HF 上免费测试模型

v3 至今为止是合并版本中最好的！ 改进包括：

• 现在有了默认风格，即使你不用小马评分标签、美观提示、LoRAs 或艺术家标签，效果也很好！首张预览图完全没有使用这些内容，仅用了一个基础的正向提示和负向提示。

• 由于上述原因，LoRA 兼容性大幅提升。

• 比 v2 更少的噪声和潜在扭曲。

• 更好的提示遵循性、质量和解剖结构。

• 该模型现在具有类似 NAI3 的清晰度和细节。

• 背景仍需进一步改进。

先前更新：

v2 相比原始模型有显著提升，潜在噪声更少，解剖结构更佳，包括手和手指。

这是我对 Illustrious 的微调版本与我对小马基础模型的微调版本的合并。

兼容小马评分标签、评级标签和 Illustrious 艺术家标签。小马评分标签（可选，用于激活小马模式）应置于提示开头，后跟艺术家标签。

以下标签在不同强度下的效果：

score_9,score_8_up,score_7_up

如果你不指定艺术家，默认风格看起来会很差，因为我最终微调时未使用文本遮罩，但结果依然非常出色！

如果你觉得不错，请给予一些好评，合并这两个模型的过程极其痛苦。虽然输出并非完美，但对复杂场景的表现非常出色，且在我看来，它具有一种独特的魅力，就像原始的 Illustrious 模型一样。

通用方法：

第一步是使用训练差异和对比插值来合并模型。然后将这两个模型正常合并，结果虽然噪点多且偏灰，但实际包含了两个模型的特性和知识。接着，我使用包含 40 万张图像的数据集对模型进行单轮微调以稳定其表现。随后，我合并了一组特殊 LoRA，用以凸显因合并而被抑制的特征。之后，我再次用相同数据对另一个模型进行两轮微调——该模型转化为 LoRA 并以负强度应用时，能显著改善解剖结构、手指和噪声。最终将此结果合并，形成 v2 模型。

结果是：小马评分标签和评级标签有效，Illustrious 艺术家标签也有效，原始 Illustrious 模型的细节得到增强。使用小马提示时，生成的图像与我合并的小马微调所用数据集中的图像类型一致，证实了概念已成功迁移。

工具：

https://github.com/silveroxides/sd-webui-untitledmerger

https://github.com/hako-mikan/sd-webui-supermerger/issues/408

https://github.com/Linaqruf/kohya-trainer/blob/main/Kohya%20Trainer%20XL%20Runpod.ipynb