语言:

• 英文 标签:
• 文本生成图像
• 稳定扩散
• 安全张量
• 稳定扩散XL 小部件示例:
• 文本提示: >- 1女孩, 绿色头发, 毛衣, 注视观众, 上半身, 无檐帽, 户外, 夜晚, 高领, 杰作, 高分, 极高分, 超高清 参数: 负面提示: >- 低分辨率, 解剖错误, 手部缺陷, 文字, 错误, 缺失手指, 多余手指, 手指不全, 裁剪, 最差质量, 低质量, 低分, 差评, 平均分, 签名, 水印, 用户名, 模糊 示例标题: 1女孩
• 文本提示: >- 1男孩, 男性焦点, 绿色头发, 毛衣, 注视观众, 上半身, 无檐帽, 户外, 夜晚, 高领, 杰作, 高分, 极高分, 超高清 参数: 负面提示: >- 低分辨率, 解剖错误, 手部缺陷, 文字, 错误, 缺失手指, 多余手指, 手指不全, 裁剪, 最差质量, 低质量, 低分, 差评, 平均分, 签名, 水印, 用户名, 模糊 示例标题: 1男孩 许可证: openrail++ 基础模型:
• stabilityai/stable-diffusion-xl-base-1.0

Animagine XL 4.0 Zero

概述

Animagine XL 4.0 Zero（风格化名称为Anim4gine）是终极动漫主题微调SDXL模型，也是Animagine XL系列的最新版本。虽然作为续作，但该模型基于Stable Diffusion XL 1.0重新训练，使用了来自多个来源的840万张多样化动漫风格图像数据集（知识截止日期为2025年1月7日），并进行了约2650 GPU小时的微调。与前一版本类似，该模型采用标签排序方法进行身份和风格训练。Animagine XL 4.0 Zero同时作为预训练基础模型，是LoRA训练和进一步微调的理想基础。

模型详情

• 开发团队: 卡廖斯特罗研究实验室
• 模型类型: 基于扩散的文本生成图像模型
• 许可证: CreativeML Open RAIL++-M
• 模型描述: 该模型专门用于根据文本提示生成和修改动漫主题图像
• 微调基础: Stable Diffusion XL 1.0

下游应用

1. 在我们的Hugging Face Spaces中使用该模型
2. 在ComfyUI或Stable Diffusion Webui中使用
3. 通过🧨 diffusers库使用

🧨 Diffusers安装指南

1. 安装必要库

pip install diffusers transformers accelerate safetensors --upgrade

2. 示例代码

以下示例使用lpw_stable_diffusion_xl流程，能更好地处理长文本、加权和详细提示。模型已上传FP16格式，无需在from_pretrained调用中指定variant="fp16"。

import torch
from diffusers import StableDiffusionXLPipeline

pipe = StableDiffusionXLPipeline.from_pretrained(
    "cagliostrolab/animagine-xl-4.0-zero",
    torch_dtype=torch.float16,
    use_safetensors=True,
    custom_pipeline="lpw_stable_diffusion_xl",
    add_watermarker=False
)
pipe.to('cuda')

prompt = "1女孩, 有马佳奈, 推之子, 星街彗星, 星街彗星（第一套服装）, 角色扮演, 注视观众, 微笑, 户外, 夜晚, v, 杰作, 高分, 极高分, 超高清"
negative_prompt = "低分辨率, 解剖错误, 手部缺陷, 文字, 错误, 缺失手指, 多余手指, 手指不全, 裁剪, 最差质量, 低质量, 低分, 差评, 平均分, 签名, 水印, 用户名, 模糊"

image = pipe(
    prompt,
    negative_prompt=negative_prompt,
    width=832,
    height=1216,
    guidance_scale=6,
    num_inference_steps=25
).images[0]

image.save("./有马佳奈.png")

使用指南

提示结构概要可参考下图：

1. 提示结构

模型采用标签排序训练方法，请使用以下模板：

1女孩/1男孩/其他, 角色名, 作品来源, 评级, 其他任意顺序标签, 最后添加质量增强标签

2. 质量增强标签

在提示末尾添加：

杰作, 高分, 极高分, 超高清

3. 推荐负面提示

低分辨率, 解剖错误, 手部缺陷, 文字, 错误, 缺失手指, 多余手指, 手指不全, 裁剪, 最差质量, 低质量, 低分, 差评, 平均分, 签名, 水印, 用户名, 模糊

4. 最优参数

• CFG比例: 4-7（推荐5）
• 采样步数: 25-28（推荐28）
• 推荐采样器: 欧拉祖先（Euler a）

5. 推荐分辨率

6. 完整提示示例

1女孩, 萤火虫（崩坏：星穹铁道）, 崩坏系列, 崩坏：星穹铁道, 安全, 休闲, 单人, 注视观众, 户外, 微笑, 伸手向观众, 夜晚, 杰作, 高分, 极高分, 超高清

特殊标签

模型支持多种特殊标签，可用于控制图像生成的不同方面。这些标签经过精心加权和测试，能在不同提示下提供一致效果。

质量标签

直接影响图像整体质量和细节水平的基础控制标签：

• 杰作
• 最佳质量
• 低质量
• 最差质量

评分标签

相比基础质量标签能更精细控制图像质量，在本模型中影响更强：

• 高分
• 极高分
• 良好分
• 平均分
• 差评
• 低分

年代标签

可影响特定时期或年份的艺术风格：

• 2005年
• {n}年
• 2025年

分级标签

控制生成内容的安全级别（需负责任使用）：

• 安全
• 敏感
• NSFW
• 露骨

训练信息

模型采用尖端硬件和优化超参数训练，技术规格如下：

致谢

本项目离不开Stability AI、Novel AI和Waifu Diffusion团队的开创性工作和全面文档支持。特别感谢Main提供的启动资金使我们能推进到V2以上版本。对于本次迭代，我们要衷心感谢社区成员的持续支持，特别是：

1. Moescape AI：模型分发和测试的重要合作伙伴
2. Lesser Rabbit：提供关键计算资源和研究资助
3. Kohya SS：开发全面的开源训练框架
4. discus0434：创建行业领先的开源美学预测器2.5
5. 早期测试者：提供关键反馈和全面质量保证

贡献者

衷心感谢项目核心成员的重要贡献：

模型开发

• KayfaHaarukku
• Raelina
• Linaqruf

Gradio界面

• Damar Jati

关系维护、财务与质量保证

• Scipius
• Asahina
• Bell
• BoboiAzumi

数据处理

• Pomegranata
• Kr1SsSzz
• Fiqi
• William Adams Soeherman

新增筹款方式！

我们很高兴通过GitHub Sponsors推出新的筹款方式，以支持训练、研究和模型开发。您的