FineView workflows collection

》REDMOSS-图片-T2I-LCS-6STEPS_v1 10/19 付费工作流-模型页面 ⚡

Companion model ( 配套模型 ) : 》FineView 欢视 | MOSS 1.0 6-Steps⚡

This workflow uses LCS (Latent Color Subspace) nodes for in-sampling color and

sharpness control. ComfyUI implementation: facok/ComfyUI-LCS (MIT License).

Official code: ExplainableML/LCS.

Research: Mateusz Pach, Jessica Bader, Quentin Bouniot, Serge Belongie, Zeynep Akata,

"The Latent Color Subspace: Emergent Order in High-Dimensional Chaos",

arXiv:2603.12261, ICML 2026

本工作流使用了 LCS（Latent Color Subspace）节点进行采样期颜色与锐度控制。
ComfyUI 节点实现：facok/ComfyUI-LCS（MIT License）
官方代码：ExplainableML/LCS
基础研究：Mateusz Pach, Jessica Bader, Quentin Bouniot, Serge Belongie, Zeynep Akata,
"The Latent Color Subspace: Emergent Order in High-Dimensional Chaos", arXiv:2603.12261, ICML 2026.

LCS（Latent Color Subspace，潜在颜色子空间） 是一套在扩散采样过程中直接操作潜在空间的免训练颜色与锐度控制方案。

LCS is a train-free color and sharpness control toolkit that operates directly in the diffusion latent space during sampling.

核心原理：在潜在 patch 空间中，颜色只占据一个 3 维子空间（PCA 捕获 100% 颜色方差），其余维度编码结构与细节，与颜色正交。因此可以在不改动结构的前提下推动颜色，也可以沿锐度子空间调节锐度。

The core finding: in latent patch space, color occupies a 3-dimensional subspace (PCA captures 100% of color variance) while the remaining dimensions encode structure, orthogonal to color. Color and sharpness can therefore be steered without retraining.

技术定位 / Technical position: 与 VAE 解码后的像素级调色不同，LCS 干预发生在采样过程中，模型会在后续去噪步骤中自适应该偏移，因此颜色与光照、反射、材质保持一致。

Unlike post-hoc pixel grading, the intervention happens mid-sampling, so later denoising steps adapt to the shift and the color stays consistent with lighting and materials.

Latent color control by LCS — community ComfyUI implementation by facok/ComfyUI-LCS (MIT), based on The Latent Color Subspace by Pach, Bader, Bouniot, Belongie & Akata (arXiv:2603.12261, ICML 2026). Official code: ExplainableML/LCS.

节点包以 MIT License 发布。

The node package is released under the MIT License.

允许 / Permitted:

✅ 商业使用（含收费工作流、SaaS、客户交付）
✅ 修改、再分发、与其他组件组合
✅ 私有使用，无开源义务

MIT 要求的义务 / MIT obligations:

再分发时必须附带原始版权声明与许可声明 The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software.
软件按 "AS IS" 提供，无任何担保；作者不对使用后果负责

依赖声明 / Dependencies

该组件运行时依赖以下库（均为宽松许可，通常 ComfyUI 已自带）：

依赖用途einops张量重排safetensors校准缓存读写

二者许可均为 MIT / Apache-2.0，不额外增加商用限制。

免责与无背书 / Disclaimer and non-endorsement

本项目不是 LCS 的官方发行版，与 facok、论文作者、ExplainableML 均无隶属、赞助或背书关系
工作流中的参数选择、提示词、输出结果及其合规性，由发布者自行负责
LCS 的校准缓存按 VAE 权重指纹生成，更换 VAE 后需重新校准

This workflow is not an official LCS release and claims no affiliation, sponsorship, or endorsement by facok, the paper authors, or ExplainableML. Parameter choices, prompts, outputs and their compliance remain the publisher's responsibility.

本文件用于商用工作流发布时的第三方组件归属与授权声明。单独发布时请完整保留本文件；打包进工作流压缩包时请置于 CREDITS 或 licenses/ 目录内。

For commercial redistribution of a workflow that uses these nodes. Keep this file intact, or include it under CREDITS / licenses/ when shipping a workflow archive.

付费对齐工作流

不想猜的人，走短的那条路，付费购买工作流。活动启动后会有促销折扣。

House rules

Download the fine-tune and do the research yourself.
Post the result on this model page and write down what you tried.
A qualifying post pays 888 BUZZ. Workflow buyers included.
Publishing what you found is part of the research.
If you want the stable state without the hunt, buy the workflow.

大量例图来自 @haotian236 和 @Hatolic 的努力更新和持续开放，也感谢社区里认真做作品的各位。

只用于学习和研究

这场游戏只用于学习和研究。

Fine-tune: Built with Qwen, Applicable to Qwen-Image-2.1
Workflow: Built with ComfyUI

Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved.

https://huggingface.co/Qwen/Qwen-Image-2.1/blob/main/LICENSE

Learning and research only

This game is for learning and research.

Fine-tune: Built with Qwen, Applicable to Qwen-Image-2.1
Workflow: Built with ComfyUI

Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved.

https://huggingface.co/Qwen/Qwen-Image-2.1/blob/main/LICENSE

EasyCache(Native accelerator)_QW21_image_edit_v1 09/21

同时支持文生图与最多10张输入图的参考与Edit改图模式（后期方案消除了2k毛刺感）
Supports both text-to-image generation and v3 version adds NV DLSS5 & LUT
Reference / Edit image modification modes with up to 10 refs

带有 ComfyUI 原生 Cache 步数优化的 Applicable to QW2609 HQ工作流

内置多参考输入开关（可以复制为最多10图参考）
内置CivitAI发图助手（自动填写提示词及采样器）
内置图像后期优化方案及电影级底噪生成
内置 Nvidia RTX VSR 超分方案
内置批量Lora控制器

(The post-processing removes that subtle 2K-level graininess.)

v3版本追加了N卡（DLSS5光影材质增强-适配20-50系）和LUT加载器

请将 CinemateticLUT.txt 文件改名为 CinemateticLUT.cube 存放到：
ComfyUI\custom_nodes\comfyui_layerstyle\lut

DLSS5 组件包原作者仓库，请丢给LM协助安装：
https://github.com/lisitskyaa/ComfyUI-DLSS5-NR

Applicable to QW21 workflow with ComfyUI native Cache step optimization

Built-in multi-reference input switch (can be duplicated for up to 10 reference images)
Built-in CivitAI image generation assistant (automatically fills in prompts and samplers)
Built-in image post-processing optimization and cinematic-grade film grain generation
Built-in Nvidia RTX VSR upscaling solution
Built-in batch Lora controller

(The post-processing removes that subtle 2K-level graininess.)

The v3 version adds NV support (DLSS5 lighting and material enhancement

—compatible with the 20–50 series) and a LUT loader.

Please rename the CinemateticLUT.txt file to CinemateticLUT.cube and save it to：
ComfyUI\custom_nodes\comfyui_layerstyle\lut

Original repository for the DLSS5 component package, please send it to LM to assist with the installation: https://github.com/lisitskyaa/ComfyUI-DLSS5-NR

使用说明与许可

本页面出售的是作者的 ComfyUI 工作流方案。Buzz 价格是作者在 Civitai 上为这份工作流文件及其站内访问收取的创作者定价，依据是 Civitai 的创作者定价规则。支付 Buzz 只购买该工作流在 Civitai 上的访问，不购买、不转让、也不扩大 Qwen-Image-2.1 的任何权利。

License and use notice

The item sold on this page is a ComfyUI workflow made by the author. The Buzz price is the author’s creator pricing on Civitai for access to that workflow file, under Civitai’s creator-pricing rules. Paying Buzz buys access to the workflow on Civitai. It does not buy, transfer, or expand any right in Qwen-Image-2.1.

本工作流不含[ 权重、参数，以及推理、训练、微调相关代码和文档 ] 因此，仅可在通义已经授权的[ 研究或评估 ]用途内使用本工作流及 Qwen-Image-2.1。购买本工作流不使生成、展示、销售图像或其他用途变成已获授权的商业使用。需要商业使用的，须自行向权利人取得商业许可。作者对工作流节点图的定价，不改变上述范围。

This workflow does not contain the Qwen-Image-2.1 weights, parameters, inference-enabling code, training-enabling code, fine-tuning-enabling code, or documentation. Use this workflow and Qwen-Image-2.1 only for the research or evaluation purposes that Tongyi has authorized. Buying this workflow does not make generating, displaying, or selling images, or any other use, an authorized commercial use. Anyone who needs commercial use must obtain a commercial license from the rights holder. The author’s price for the workflow graph does not change that scope.

Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved.

Built with Qwen, Applicable to Qwen-Image-2.1

https://huggingface.co/Qwen/Qwen-Image-2.1/blob/main/LICENSE

REDH3_LTX25_IC_v2v_customsigma_v2.json 08/25/2026

这是 H3 出草稿（图+文+声）→ LTX-2.5 IC-LoRA 按原视频引导做 V2V 增强/放大 → RIFE 插帧到 48fps 的管线。

这套方案的核心不是「一个模型一次出 2K」，而是 H3 负责低分辨率语义草稿，LTX-2.5 负责 IC 引导的画质放大。先把内容做对，再把分辨率做高，所以能在 16GB 级显存上相对稳定高速地出 2K 视频。

为什么要双模型

MiniMax H3 擅长「生成」
低分辨率图生视频，同时出画面和音频。提示词、镜头、人物和声音都在这一段定下来。步数少（约 6 步），分辨率低，所以草稿快、语义稳。

LTX-2.5 擅长「增强」
不重新编故事，而是把 H3 成片当 IC-LoRA 的视频引导，做 V2V。蒸馏 8 步 + 潜空间 ×2 放大 3 步，再 RIFE 插帧到 48fps、VSR 拉到约 1440×2160。画质、边缘和 2K 细节主要靠这一段。

两者互补：H3 解决「像什么、怎么动、配什么声」；LTX 解决「够不够清、够不够 2K」。全程按原视频约束，比单模型直接冲 2K 更稳，也不容易跑偏。

效率从哪来

先低后高：贵的 22B 级计算主要花在中分辨率 V2V，而不是从噪声直接出 2K。
蒸馏 + 手动 sigma：LTX 侧大约 8+3 步，比全量采样短很多；自定义 sigma 用来压住细节，而不是靠加步数硬堆。
模型体积可控：H3 用 int8 剪枝包，LTX 用 22B 裁切版，再加 IC spatial upscaler，而不是上完整大包。
音频复用：声音在 H3 阶段生成，LTX 只做参考和同步，不必再跑一遍文生音频。

结果是：草稿快、放大可控、最终 2K 输出相对稳定。

显存怎么看

显存预期 16GB 及以上

按当前参数可跑：H3 草稿 + LTX IC V2V + 2K 输出。这是这套方案的设计档位。

低于 16GB

能跑，但要接受更慢（更多卸载、tile、CPU 换算），或下调参数：分辨率、时长、IC 放大、tile、插帧档位。

低于 16GB 时，优先砍的是 LTX 分辨率和潜空间 ×2，而不是先砍 H3 的语义草稿——草稿错了，后面放大只会把错误放大。

一句话

H3 用低成本把「内容 + 声音」做稳，LTX-2.5 用 IC V2V 把「清晰度 + 2K」做上去。分工明确，所以比单模型直出 2K 更省、更稳；16GB 以上是舒适区，再往下就要用时间和画质换显存。

整体结构

第一段：H3 图生视频

读入参考图，缩放到 512×768。
用 REDMix-MiniMaxH3-A2Ab2（int8）+ Qwen3-VL CLIP 做 I2V；时长换算成帧数。
采样：er_sde + beta 调度，6 步，CFG 走 BasicGuider。
视频/音频 VAE 分别解码，合成 REDH3_*.mp4。

H3 侧 Power LoRA 目前全关；4-step turbo LoRA 处于 bypass(REDH3已集成)。MiniMaxH3ReferenceToVideo 也没接到后续，等于备用支路。

第二段：LTX-2.5 IC V2V（24fps 生成，再插帧到 48fps）

把 H3 成片用 RTX VSR 缩到 576×864，第 1 帧当 guide。
主模型挂上 IC pixel spatial upscaler ×2 LoRA。
提示词条件并带上原片文本和 H3 音频做参考。
第一采样（蒸馏 8 步）：euler_ancestral，CFG=1，手动 sigma
1.0, 0.99375, …, 0.421875, 0.0
第二采样（3 步）：潜空间空间放大 ×2（ltx-2.5-latent-spatial-upscaler-x2），sigma
0.65, 0.5735, 0.5250, 0.0
Tiled VAE 解码 + 音频解码 → RIFE 2× 插帧 → 再 VSR 到 1440×2160。

[NEW] Image 2 Json (Gemini) 2 Image (Boogu+ideo4+Krea2) 06/25/2026

Krea2(赤佬版) 是一款基于人工智能的创意工具，提供实时图像生成、编辑和增强功能。该平台以其强大的实时生成能力著称，用户只需提供草图或简单输入，Krea2 就能立即生成渲染图像，实现高度互动的创作体验。Krea2 支持图像放大和增强功能，可以将图像分辨率提升至 4K 级别，同时提供 AI 图案生成、标志幻觉等创意应用，为设计师和创意工作者提供直观而强大的创作工具。

Krea2(Bastard Edition) is an AI‑powered creative tool that provides real‑time image generation, editing, and enhancement capabilities. The platform is renowned for its powerful real‑time generation features—users only need to provide sketches or simple inputs, and Krea2 can immediately generate rendered images, enabling highly interactive creative experiences. Krea2 supports image upscaling and enhancement functions that can boost image resolution to 4K levels, while also offering creative applications like AI pattern generation and logo hallucination, providing designers and creative professionals with intuitive yet powerful creation tools.

特性维度Boogu-Image-0.1& Krea2(赤佬版)协同优势核心优势

密集文字渲染、摄影逼真度、一体化理解系统实时生成、图像增强、创意AI应用文字精度 + 实时创意 = 动态创作流程文字渲染⭐⭐⭐⭐⭐（中英文密集文字）⭐⭐⭐⭐（优秀视觉效果）

Boogu 处理复杂文字内容，Krea2 增强视觉效果控制方式指令级控制、多样化数据驱动实时交互编辑、AI辅助创作工具从内容到实时优化的完整控制链输出分辨率1K/2K 支持4K 放大增强支持高分辨率输出能力互补，可在创意生产流程中结合使用

这两个模型的结合代表了创意工作流的强大组合——Boogu 在内容理解与文字精度上的优势，加上 Krea2 在实时生成与图像增强上的专长，能够满足从概念设计到成品优化的完整创意需求。

关键协同价值：

内容与形式的完美结合：Boogu 负责内容生成和文字处理，Krea2 负责视觉优化和实时调整
创作流程的无缝衔接：从概念生成到实时编辑的完整创作链条
技术互补优势：开源模型的控制精度 + 商业工具的易用性
专业与大众化平衡：满足专业设计师需求的同时，也适合普通用户快速创作

这个组合特别适合需要高效产出高质量视觉内容的场景，如广告设计、社交媒体内容创作、产品概念可视化等。

[NEW] Image 2 Json (Gemini) 2 Image (Boogu+ideogram4) 06/20/2026

Feature Dimension: Boogu-Image-0.1

Core Strength: Dense text rendering, photorealistic generation, integrated understanding system
Text Rendering: ⭐⭐⭐⭐⭐ (Chinese/English dense text)
Control Method: Instruction‑level control, diverse data‑driven
Output Resolution: 1K/2K support
Workflow Integration: ComfyUI‑Boogu, PyTorch native

Feature Dimension: Ideogram 4.0

Core Strength: Structured JSON control, design workflow integration, native 2K output
Text Rendering: ⭐⭐⭐⭐ (Excellent typography)
Control Method: Structured JSON Prompt, precise layout control
Output Resolution: Native 2K output
Workflow Integration: ComfyUI native, Diffusers

Feature Dimension: Synergy Advantage

Core Strength: Text precision + Design control = Professional‑grade design drafts
Text Rendering: Boogu handles complex text content, Ideogram optimizes layout and typography
Control Method: Complete control chain from content to layout
Output Resolution: Complementary high‑resolution output capabilities
Workflow Integration: Can be switched within the same workflow

Summary:
The combination of these two models represents the current pinnacle of the open‑source text‑to‑image field—Boogu's advantages in content understanding and text precision, combined with Ideogram's expertise in design control and workflow integration, can meet the full creative needs from concept design to final output.

Boogu-Image-0.1 是由 Boogu 团队于 2026 年 6 月发布的开源统一图像生成与编辑模型系列，包含 Base、Turbo、Edit 等多个变体。该系列采用 Apache-2.0 开源协议，参数量约 100 亿（10B），支持高质量文本到图像生成、快速生成、图像编辑以及中英文文本渲染。Boogu-Image 的核心理念是构建一体化理解与生成系统，通过多样化的数据赋予用户更强的控制能力，而非依赖强化学习技术提升美学效果。该系列在 Boogu Arena 评测中位列所有开源与闭源系统中的顶尖水平，尤其在密集文字渲染、摄影逼真度和风格化生成方面表现突出。

Boogu-Image-0.1 is an open-source unified image generation and editing model series released by the Boogu team in June 2026, comprising Base, Turbo, and Edit variants. It is licensed under Apache-2.0 with approximately 10 billion parameters, supporting high‑quality text‑to‑image generation, fast inference, image editing, and Chinese/English text rendering. The core philosophy of Boogu‑Image is to build an integrated understanding‑and‑generation system that empowers users with stronger control through diverse data, rather than relying on reinforcement learning for aesthetic enhancement. The series ranks among the top performers in the Boogu Arena evaluation across both open‑source and closed‑source systems, excelling particularly in dense text rendering, photorealistic generation, and stylized creation.

特性维度 Boogu-Image-0.1+Ideogram 4.0 搭配优势核心优势密集文字渲染、摄影逼真度、一体化理解系统结构化 JSON 控制、设计工作流集成、2K 原生输出文字精度 + 设计控制 = 专业级设计稿文字渲染⭐⭐⭐⭐⭐（中英文密集文字）⭐⭐⭐⭐（优秀排版）

Boogu 处理复杂文字内容，Ideogram 优化版式布局控制方式指令级控制、多样化数据驱动结构化 JSON Prompt、精确布局控制从内容到版式的完整控制链

输出分辨率1K/2K 支持原生 2K 输出高分辨率输出能力互补工作流集成ComfyUI-Boogu、PyTorch 原生ComfyUI 原生、Diffusers可在同一工作流中切换使用

这两个模型的结合代表了当前开源文生图领域的最高水平——Boogu 在内容理解与文字精度上的优势，加上 Ideogram 在设计控制与工作流集成上的专长，能够满足从概念设计到成品输出的完整创意需求。

[NEW] Text 2 Json (Gemma4) 2 Image (ideogram4) 06/06/2026

ideogram4 is trained on structured JSON captions (scene summary, style block, background, and optional per-object descriptions with bounding boxes and hex color palettes). Official inference validates prompts against that schema. Guidance uses flow-matching with asymmetric classifier-free guidance (the unconditional pass drops text tokens)—not a separate negative prompt string.

NOTE: If you see "Image blocked by safety filter" it is because of safety training in the model itself, ComfyUI does not have any safety filter.

How to build prompts here

(a) Raw input: Paste or type directly into the subgraph. You may use plain natural language, but structured JSON (as in the subgraph default) gives the most predictable layout and style control.

(b) Model-assisted (LLM): Use the Ideogram4 Caption Prompt Template output with any LLM tools to obtain the JSON format prompt

关于模型无法正常审核提示词的问题提示

该模型（ideogram4）基于结构化JSON描述（场景摘要、风格块、背景，以及可选的带边界框和十六进制调色板的逐对象描述）进行训练。官方推理会根据该模式验证提示词。引导使用流匹配与非对称无分类器引导（无条件通道会丢弃文本标记）。

注意：如果你看到"图像被安全过滤器拦截"，这是由于模型本身的安全和训练规范所致，主要原因是提示词不符合JSON规范，并非NSFW拦截。

如何构建提示词

(a) 原始输入：直接粘贴或输入到子图中。并通过工作流内建的本地 Gemma4 模型输出结构化JSON（如子图默认格式）能提供最可预测的布局和风格控制。

(b) 模型辅助（LLM）：您也可以将 Ideogram4 Caption Prompt Template 的输出，配合任意 LLM 工具使用，以获取 JSON 格式的提示词

ideogram4 06/04/2026

Ideogram 4 is Ideogram's first open-source text-to-image model. It is a state-of-the-art foundation model trained from scratch — not a fine-tune of any existing model.

https://github.com/ideogram-oss/ideogram4

https://github.com/Comfy-Org/ComfyUI

Dark Beast KLEIN 9b 🟦 V2.0 BFS 03/03/2026

DBK v2 BFS最佳换脸工作流，配套模型：
https://civarchive.com/models/2242173?modelVersionId=2740209

Dark Beast KLEIN 9b BFS 🟦 V2.0 LoRA Edition
https://civarchive.com/models/964312/redcraft-dark-beast-zandklein-exported-lora-edition

This is the next-level face-swap specialized evolution of the Dark Beast lineage, built on the lightning-fast FLUX.2 Klein 9B accelerated model from Black Forest Labs.

Engineered with targeted optimizations for face swapping practices, it integrates BFS (Best Face Swap) technology to completely eliminate the rigid, unnatural look that plagued earlier face replacements — delivering seamless, lifelike integrations with preserved identity, expression, and lighting.

It also fully fixes the portrait reference issue from the previous DB BlitZ versions

Special thanks to the scheme provider: https://github.com/alisson-anjos for the powerful BFS foundation that powers this breakthrough.🟦

The author's In-site link: https://civarchive.com/user/NRDX

Important notes:

This version is exclusively designed around the Klein 9B accelerated edition — no base model exists.

Usage is identical to Black Forest Labs' official FLUX.2 Klein 9B accelerated release: ultra-low steps (e.g., 4-5), CFG=1 fixed, blazing inference speed on consumer hardware.

In one sentence: Dark Beast's ferocious soul meets BFS (Best Face Swap) technology — more natural, and truly unstoppable! 🟦

for more infomation about BFS (Best Face Swap) :

https://huggingface.co/Alissonerdx

Alternatively, it can be directly applied to the entire Klein 9b/Qwen Edit base and Fine-tune models, through LoRA Adapter parameter injection.

面部交换测试的源-人像来自Civitai用户图像和Moody Mix肖像风格。
Source faces for the face-swapping test originated from Civitai user images and Moody Mix portraits styles.

The gods have returned! KOLORS base model/Hyper 8steps/SDXL refinement/IPA Plus

众神归位！快手底模/字节加速/SDXL精修/IPA风格

Kolors DiT大模型COMFYUI工作流-AiARTiST

Kolors DiT（GLM）ComfyUI 放大精修工作流

7/8日发布Kolors-DiT开源模型+ACG6XL放大精修-文生图工作流

7/9日发布Kolors-DiT开源模型+ACG6XL放大精修-垫图生图工作流

7/10日发布Kolors-DiT开源模型-单文件模型版+LoRA加速器+ACG6XL放大精修工作流

7/11日支持IPA-Plus节点，单一样本垫图风格导入，模型和组件包请在网盘下载

原生采样器支持节点作者MinusZoneAI，非常感谢！

https://github.com/MinusZoneAI/ComfyUI-Kolors-MZ

单文件模型及存放路径已经上传至网盘，模型路径根据网盘路径存放

SDXL-Hyper-8steps 蒸馏加速器LoRA\ACG6Hyper SDXL精修模型同上

增加 IPAdapter 模型及ComfyUI_IPAdapter_plus 组件包存放路径同上

IPAdapter 开源模型：

https://hf-mirror.com/h94/IP-Adapter

ComfyUI_IPAdapter_plus 项目：

https://github.com/cubiq/ComfyUI_IPAdapter_plus

项目开源地址：

https://huggingface.co/Kwai-Kolors/Kolors

ComfyUI 加载器封装组件项目地址：

https://github.com/kijai/ComfyUI-KwaiKolorsWrapper

Kolors：用于逼真文本到图像合成的扩散模型的有效训练

Kolors是由快手Kolors团队开发的一种基于潜在扩散的大规模文本到图像生成模型。经过数十亿对文本图像的训练，Kolors在视觉质量、复杂的语义准确性以及中文和英文字符的文本渲染方面比开源和专有模型都表现出显著优势。此外，Kolors同时支持中文和英文输入，在理解和生成中文特定内容方面表现出色。

开源Kolors，与开源社区合作，促进大型文本到图像模型的开发。该项目的代码是在Apache-2.0许可证下开源的。我们真诚地敦促所有开发者和用户严格遵守开源许可证，避免将开源模型、代码及其衍生物用于任何可能危害国家和社会的目的，或用于任何未经安全评估和注册的服务。请注意，尽管我们在训练过程中尽了最大努力确保数据的合规性、准确性和安全性，但由于生成内容的多样性和可组合性以及影响模型的概率随机性，我们无法保证输出内容的准确性和安全性，并且模型容易产生误导。对于因使用开源模型和代码而导致模型被误导、滥用、误用或不当使用而产生的任何数据安全问题、舆论风险或风险和责任，本项目不承担任何法律责任。

----------------------------------------------------------------------

模型用途声明：

1. 您不得将此模型及其衍生版本（如融合模型版本）托管于计划赚取收入或捐赠的网站/应用程序。

2. 您不得直接售卖此模型及其衍生版本（如融合模型版本），除非您对此模型进行了足够程度的人工修改，使其在法律意义上可以被完全判定为您的个人作品。如果您违反本条，所造成的一切法律后果由您个人承担，请恕本人概不负责。

3. 您不能使用该模型故意制作或共享非法或有害的内容传播和输出，请您遵守公序良德，将此模型用于积极正面的用途。

Files with SHA256: df665c1007ffb64b9522a7b2b291198bd15fbcfe78bd33b8ab7ab8ad8e0aa69e