擅长卡通场景，混合了几个场景强的大模型和lora，加入了多个自己训练的LORA。
角色方面3D略微偏二次元
适合简单的关键词，如：masterpiece,best quality,mini landscape
出场景建筑的时候不用加负面关键词，有角色的话可以加。
关键词推荐：mini landscape，indoor, toon，pixar， scene，building，vehicle，
没有加VAE，不挂VAE会发灰，好处是可以灵活使用不同的VAE来调整配色。
-- -- -- -- --
used for cartoon scene,contain some my trained lora
try simple prompt,like : masterpiece,best quality,mini landscape
no need neg prompt
useful prompt ：mini landscape，indoor,toon，pixar， scene，building，vehicle，
Description
转换成更安全快速的safetensors格式，略微增加人物表现能力
convert to safetensors,improve charactor creation
FAQ
Comments (8)
I would really appreciate a safetensors file
就是说可以把你以前发布的几个模型都删除了只要这1个大的就行了， 是吗
有分层比例和融合配方的，理论上并不能代替单独的lora。你也可以自己测试一下做决定。
nice！！！
对大型语言模型来说,使用fp16(半精度浮点数)进行检查点保存通常可以大大减小检查点文件的大小,从而加快保存和加载速度。但是,fp16的精度更低,可能会导致一定的精度损失。对于图像生成等任务,使用fp16检查点的模型在生成图像时,可能会产生一定的质量下降,像素级别的细节会不太清晰,产生一定的“马赛克”效应。这就是为什么使用fp16检查点的模型生成的图像可能会显得比较“灰”的原因。一般来说,有几个方法可以缓解这个问题:1. 在训练的后期阶段,使用fp32而不是fp16进行检查点保存。后期训练更focus在细节上,使用fp32可以最大程度保留这些细节。2. 在将fp16检查点加载到模型进行推理前,将其转换回fp32。这需要额外的显存,但可以保证推理精度。3. 在图像生成等任务中,将模型输出的feature maps转换回fp32,再进行后续处理如上采样等操作。只有最终的图像合成过程使用fp16,其他中间结果使用fp32。4. 改用其他压缩方法如量化来代替fp16,量化的精度损失更小。5. 增大模型大小,提供更多的能力来生成高质量图像。更大的模型可以学习到更丰富的特征表示,生成更加真实和清晰的图像。所以总体来说,使用fp16检查点的大模型在图像生成任务上的质量下降是正常的,我们可以通过一些技巧来缓解这个问题,但可能无法完全消除。生成高质量和清晰的图像也还是fp32模型的一大优势。
Hello, which upscaler do you recomand ? i always get an image more and more foggy when i upscale