优可youkengi_anime_SDXL_base是优可系列的第一个SDXL大模型，延续了优可模型一贯的高品质（发布时的T1水平）。

其核心能力在于：

1.能够以非常稳定且精美的二次元风格出图：基本画风为线条干净的二次元风格，细节适中。虽然realistic,3Drendering等tag依然有效，但低权重下仍然会带有强烈的二次元风格；

2.天然好手和较好的肢体：尤其是对高难度手势的支持，不易崩；就算手崩了，但基本的型都还在；

3.极强的文本理解力：可以理解SD1.5无法理解的高难度tag，且基本能根据prompt的描述相符来画图；

4.极高作图正确率：画图不容易出错，整体细节出错率大幅降低，比如例图基本都可以一遍画对；

5.可以画男人：这条不用解释得太多，不过因为图集美少女比较多，画男人的时候最好用malefocus；

6.非常容易上手：采用了混合打标的模式，就像SD1.5那样写tag也没问题，对长句短语都能很好的支持；

7.不锁脸和极强的lora结合能力：基本是我二代模型都有的特点，主要是因为炼制的时候注意控制了污染。

没有加强的特征：因为我本人比较不喜欢模型的画风会反复横跳而显得不可控，同时也是偷懒，所以没有特别内置二次元角色和画师的画风（如果有些角色或者画师tag能对本模型基本画风产生影响，多半是SDXL开源时本来就自带的）；没指定人可能也会跑出人（这个模型主要就是用来的画人，万物皆可娘:p）；这个是base版本，细节没有特化加强（目前仅保持的适中的细节，后续版本更新时可能会加强）

因为这是我第一个SDXL模型，所以还没有评分的参考系，就不打分了。整体上构图强于优可sweet；高难度的手指表现远强于优可sweet（比如hearthands等），普通随意画图的手指表现略低于优可sweet；文本理解力上比优可sweet强了两个档次；画风上是很直观能感受到不如优可sweet细腻的；其他方面的表现和优可sweet基本接近。

关于用法：

1.已经合并了vae：目前的vae比SDXL默认vae有略高的饱和度和对比度，自己再选vae也可以覆盖掉模型自带vae效果；

2.采样方法不怎么挑，用常用那几个都没啥问题，测试是在DPM++2MSDEKarras环境下进行的，这个采样器效果最好。

3.建议采用高分辨率修复(hires.fix)放大，重绘幅度0.4左右，唯一不太建议的放大算法是latent，会使画面变糊。

4.推荐的基础步数为25~50步，高分修复放大步数10~20步；

5.推荐分辨率：832*1152*2，1152*832*2，1024*1024*2，1152*1152*2，稍微改变一下问题是不大的，但不能用SD1.5的分辨率来画，训练时用的全是4K图，基础分辨率太小会导致各种奇怪的肢体错误。

5.通用负面：worstquality,lowquality

如果大家觉得满意，请多多给我返图哈~

另外关注和收藏可以收到后续版本更新和新模型的消息~

最近一直有人问我怎么做模型，我分享一下我的做法：（模型的做法有很多，只讲我的，这里不讲专业太多术语免得有人来挑刺，对普通人也比较易懂）

1.挑选底膜，选一个你目标期望比较接近的底模，避免后面需要大幅的调整。

2.选数据集，根据你想要的效果挑选数据集（可能是你喜欢的画风，或修正某个的bug，比如头发打结，动作过拟，糊脸，某些词不起作用等），选择污染比较低数据集（尽量不要出现你不想学进去的东西），对数据集进行精准打标（没有打标的东西会被学进整个模型，举例来说就算是白背景不打标学完也会让模型的背景减少细节）

3.训练没有具体的万能参数，看你想学进去多少东西，学的内容越多，需要越大的dim、学习率，或者训练步数，比如建筑的细节，而简笔画则是相反。建议采用控制变量法或二分法来测试效果，和自己上次炼丹的结果作比较。改动那些参数会有更好的结果，时间长了自然也会掌握一些通用规律，但也不是万用规律。我自己是这么摸索过来的。

4.把练好的丹进行分层重制（主要目的是保留你训练集里想学进去的那部分内容，我把这个叫做“正向堆叠”，比如刚刚说的修复头发打结问题；去掉不想学进去的内容，我把这个叫做“污染”，比如刚刚说的使背景简化的负面效果），如果“正向堆叠”和“污染”在同一个分层就会比较头疼。虽然这是挺大概率事件，这时候就要调参重练，或者换图集。如何做到增加“正向堆叠”且减少“污染”需要大量的测试。我个人炼丹时间和测试时间大约是1:20的样子。“正向堆叠”存在“上限”，有些模型参数是互相矛盾的，有点类似经济不可能三角，这时候需要寻求一个综合性能上的平衡。

5.经过数轮的“正向堆叠”以后（我的模型大约是10~20轮左右），模型基本就会出现你想要的满意效果。

补充说明：目前事前控制“污染”比较好的方法是仔细挑选数据集以及精准打标，以及差异炼丹；事后控制污染的方法是模型分层。

另外，有些人不懂我的模型参数评级是怎么来的，其实就是以我自己的模型系列为参照系做的一个参照评分表。只对我自己的模型进行相对评分，用习惯我的模型的人大概也能知道个大概。