awvs是什么工具（awork是什么）

如今AI绘画已经延伸出了诸多分支，光是模型就有成千上万种，那么我们又应当如何选取自己所需要的模型呢？

今天，就让我们来认识一下基本的三种模型类型吧！

尽管Checkpoint这个单词看上去很陌生，但其实这是我们日常绘画中最常接触到的模型选手。

我们在WebUI和ComfyUI中的第一步，都是用于加载这个节点：

<<< 左右滑动见更多 >>>

现在，最基础的Checkpoint是由Stability AI 和 Black Forest Labs开源提供的SD系列模型和Flux模型：

具体的对应关系，可以参考以下表格：

而目前我们所能看见的大量Checkpoint，都是基于这些基础模型进行的微调，从而实现对不同画风和技巧的偏重。

<<< 左右滑动见更多 >>>

Checkpoint的微调技术，又被称为Dreambooth，是指对不同的绘画风格和技巧有所侧重的训练，但没有对整个基础模型进行重新塑造。

当然，Checkpoint也有其局限的地方：

那么如何克服这些问题呢？

让我们先来梳理一下训练一个Checkpoint给我们带来的挑战，主要有以下两点:

1. 作为一个基础节点，需要采集大量的画风一致的图片，为此所需要的 训练成本就相对较高；
2. 作为吸取了大量数据的模型， 体量自然而言就会更大。

但有些时候，我们并不希望为每一种问题单独训练一个模型，比如：

• 画面的 手部细节问题；
• 一个 新火的二次元人物形象，比如黑神话悟空；
• 一些 复合概念，比如 哆啦A梦，山海经里的 异兽等。

当我们的需求从整体性的画风转变为细节控制时，训练一个Checkpoint来满足这个需求，就多少显得有些“杀鸡焉用牛刀”了。

这就是为什么出现了Embedding和LoRA技术。

熟悉大模型原理的观众可能对Embedding这个词语并不陌生，其本质即将文本转化为向量。

在绘画领域，我们通常借用这项技术，帮助绘画模型明确一些复合概念，比如玩具猫、狐妖等等：

在上图中的两个Embedding模型，是最常使用以控制图片手部姿势等细节，相较于Checkpoint动辄2GB的体量，这些模型只需要数十个KB即可完成指定任务。

在训练成本上，Embedding几乎不需要训练时间，因为究其本质，它只是为绘画模型提供了参考书目的清单，帮助AI更好理解绘画任务。

小R提供的补充资料：https://stable-diffusion-art.com/embedding/

Embedding只是在文本阶段对模型进行了调整，但模型并不真的了解具体的细节：语言的描述也存在极限。

尤其是越新颖的概念，越会让模型无从下手。

但出于成本思维，我们只希望基于少量图片，对某一概念进行训练，以规避大量消耗，这就是LoRA技术。

通过学习少量图片，形成对某一概念的强化，实现了“小模型，少改动，大优化”的效果。

LoRA和Embedding，这两项技术都是建立在Checkpoint上的应用，这也是为什么他们能以极小的体量，对画面进行改动。

现在，我们可以这样理解这三类模型：

通过灵活应用Embedding和LoRA模型，我们便能起到“一个基础模型，多种风格”的效果，小R在这里也为大家准备了更深理解三者关系的资料，我们下次再见！

• 穿针引线，高效办公新境界：扣子工作流
• 精准调控AI绘画参数，掌握细节之美！
• 自定义绘画不是梦：SD 框架下的“积木”与“电路”
• AI高清重塑细节之美，让图片素材焕发新生
• AI画家请听令：从“低分辨率”到“杰作”的华丽转身！