什么是 LoRA？

Textual Inversion 虽然是将“用文本难以说明的外观”塞进 1 个单词的技术，但没有让模型从零画出原本不知道的东西的能力。

当想“让模型也能画出原本画不出的东西！”时，以前必须微调整个模型。
但是，学习成本相当高。

于是开始被使用的，就是原本在 LLM 中使用的 LoRA（Low-Rank Adaptation）。

LoRA 不是重写模型权重本身，而是采用将“变更部分”作为小的追加数据保存在外部的方式。
感觉就像是对基础模型，后来读取扩展包一样，可以增加新的风格和角色。

应用了 LoRA 的 text2image

LoRA 的下载

这次作为例子，使用变成像素艺术风的 LoRA。

  • 8bitdiffuser 64x

  •   📂ComfyUI/
    └── 📂models/
        └── 📂loras/
            └── PX64NOCAP_epoch_10.safetensors

工作流

sd1_5_lora.json
  • 🟩 添加 Load LoRA (Model and CLIP) 节点。
    • 以夹在 Load Checkpoint 和 CLIP Text Encode / KSampler 之间的形式连接。
    • MODEL 和 CLIP 两者都需要通过 Load LoRA (Model and CLIP)。
  • strength_model / strength_clip : LoRA 的适用强度。基本是 1.0，但如果效力太强就降低。
  • 🟨 触发词
    • 虽然只是应用了 LoRA，但在内部，画点阵图的能力已经被叠加到了基础模型上。
    • 但是，为了切实引出那个能力，需要在提示词中包含作者在学习时使用的词。
    • 把这个称为触发词。这次的 LoRA 中 pixel_art 是触发词。

最近的模型和 LoRA

在 Stable Diffusion 1.5 和 SDXL 的时期，经常会同时学习负责生成图像的扩散模型，以及负责理解提示词的文本编码器来制作 LoRA。

不过，文本编码器的学习很难，反而可能让提示词变得不容易生效。

SDXL 有两个文本编码器，后来登场的模型还开始使用 T5、Qwen 这样的大型语言模型。

因此，现在的主流做法是把提示词的理解交给基础文本编码器，只学习扩散模型。

ComfyUI 工作流

只学习扩散模型的 LoRA 中没有需要应用到文本编码器的内容，因此使用 Load LoRA 节点，而不是 Load LoRA (Model and CLIP)。

flux_1_lora.json