/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Kohaku-XL-Epsilon-rev2
Библиотека
diffusers
Опубликована
25 авг 2024

Kohaku-XL-Zeta

Генерация изображенийТекст → изображение3 профессии

Дообученная на аниме-иллюстрациях модель SDXL для генерации изображений по тегам и описаниям на естественном языке.

4 663скачиваний за 30 дней94лайкавеса обновлены19 окт 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Kohaku XL Zeta — модель генерации изображений по тексту на базе Stable Diffusion XL, разработанная KBlueLeaf как дообучение Kohaku-XL-Epsilon-rev2. Она предназначена прежде всего для создания аниме- и иллюстративных изображений по тегам и описаниям на естественном языке; оба вида подсказок можно сочетать. Автор отмечает улучшенную передачу стиля и персонажей, более устойчивую генерацию и поддержку длинных подсказок, хотя подробный промпт не обязателен.

Модель обучена на объединённом наборе примерно из 8,46 млн изображений Danbooru, Pixiv, PVC-фигурок и Realbooru. Для генерации рекомендованы разрешение около 1024×1024, CFG 3,5–6,5 и 12–50 шагов. Используется архитектура Stable Diffusion XL; модель распространяется в форматах Diffusers/PyTorch и Safetensors. Карточка задаёт лицензию как other, не приводя в предоставленных данных конкретных условий использования.

Сценарии применения

  • создание аниме-иллюстраций по текстовому описанию
  • генерация персонажей в заданном стиле
  • создание изображений по тегам Danbooru
  • сочетание тегов и естественно-языковых подсказок при генерации
  • эксперименты с художественными и игровыми образами

Ограничения

Результаты зависят от формулировки подсказки и настроек генерации; автор рекомендует разрешение около 1024×1024 и 12–50 шагов. В предоставленных данных указана лицензия other без подробных условий использования.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kohaku XL Zeta

join us: https://discord.gg/tPBsKDyRR5

image/png


Highlights

  • Resume from Kohaku-XL-Epsilon rev2
  • More stable, long/detailed prompt is not a requirement now.
  • Better fidelity on style and character, support more style.
    • CCIP metric surpass Sanae XL anime. have over 2200 character with CCIP score > 0.9 in 3700 character set.
  • Trained on both danbooru tags and natural language, better ability on nl caption.
  • Trained on combined dataset, not only danbooru
    • danbooru (7.6M images, last id 7832883, 2024/07/10)
    • pixiv (filtered from 2.6M special set, will release the url set)
    • pvc figure (around 30k images, internal source)
    • realbooru (around 90k images, for regularization)
    • 8.46M images in total
  • Since the model is trained on both kind of caption, the ctx length limit is extended to 300.

image/png

Usage (PLEASE READ THIS SECTION)

Recommended Generation Settings

  • resolution: 1024x1024 or similar pixel count
  • cfg scale: 3.5~6.5
  • sampler/scheduler:
    • Euler (A) / any scheduler
    • DPM++ series / exponential scheduler
    • for other sampler, I personally recommend exponential scheduler.
  • step: 12~50

Prompt Format

As same as Kohaku XL Epsilon or Delta, but you can replace "general tags" with "natural language caption". You can also put both together.

Special Tags

  • Quality tags: masterpiece, best quality, great quality, good quality, normal quality, low quality, worst quality
  • Rating tags: safe, sensitive, nsfw, explicit
  • Date tags: newest, recent, mid, early, old

Rating tags

General: safe Sensitive: sensitive Questionable: nsfw Explicit: nsfw, explicit

Dataset

For better ability on some certain concepts, I use full danbooru dataset instead of filterd one. Than use crawled Pixiv dataset (from 3~5 tag with popularity sort) as addon dataset. Since Pixiv's search system only allow 5000 page per tag so there is not much meaningful image, and some of them are duplicated with danbooru set(but since I want to reinforce these concept I directly ignore the duplication)

As same as kxl eps rev2, I add realbooru and pvc figure images for more flexibility on concept/style.

Training

  • Hardware: Quad RTX 3090s
  • Dataset
    • Num Images: 8,468,798
    • Resolution: 1024x1024
    • Min Bucket Resolution: 256
    • Max Bucket Resolution: 4096
    • Caption Tag Dropout: 0.2
    • Caption Group Dropout: 0.2 (for dropping tag/nl caption entirely)
  • Training
    • Batch Size: 4
    • Grad Accumulation Step: 32
    • Equivalent Batch Size: 512
    • Total Epoch: 1
    • Total Steps: 16548
    • Training Time: 430 hours (wall time)
    • Mixed Precision: FP16
  • Optimizer
    • Optimizer: Lion8bit
    • Learning Rate: 1e-5 for UNet / TE training disabled
    • LR Scheduler: Constant (with warmup)
    • Warmup Steps: 100
    • Weight Decay: 0.1
    • Betas: 0.9, 0.95
  • Diffusion
    • Min SNR Gamma: 5
    • Debiased Estimation Loss: Enabled
    • IP Noise Gamma: 0.05

Why do you still use SDXL but not any Brand New DiT-Based Models?

Unless any one give me reasonable compute resources or any team release efficient enough DiT or I will not train any DiT-based anime base model. But if you give me 8xH100 for an year, I can even train lot of DiT from scratch (If you want)

License:

Fair-AI-public-1.0-sd

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
c14affd

0 моделей