ai绘画模型的vae有什么用 AI模型推荐（1）Anything-v3.0立绘专用模型测评|附链接
专业出黑
写在前面
这次测试的模型是-v3.0立绘专用模型（以下简称立绘），全称为 v3.0立绘专用模型（半精度剪枝版），文件名为-v3.0-For--non-ema-fp16，这个模型可以直接从WebUI的模型管理中下载到。
测评将从vae，clip跳过层，采样方法等几个重要参数出发，通过控制变量法进行模型测试，测评结果仅作参考，不代表实际结果。
测试参数
测试参数
在之后测试中，除测试变量外，其余变量都为默认测试参数，正面tag从测试用图中通过tag反推提取，并经过适当修改（图片中由于篇幅原因tag未显示全）
1，vae测试
vae测试
对包括不加vae在内的5种vae进行了测试，可以直观地看出，vae并不能影响画面内容，只会对画面饱和度，亮度，明度等因素产生影响，不加vae会导致画面偏灰暗，但对于立绘来说影响并不算大（我测试过其他几个模型，有几个灰的可怕，甚至有一个模型不加vae就无法出图，相比之下不加vae的立绘的灰度完全在可接受范围内），另外，kl-f8，等几个vae出图后的饱和度较高，某些情况下会出现过饱和的问题，建议视个人喜好使用，个人推荐，提高亮度的同时也不会显得过饱和。
另一个测试例
2，clip跳过层测试
clip跳过层是个很玄乎的东西，一般来说只用2，这次测试了同一种子下clip跳过层从1到12的出图
clip跳过层测试
可以看到，clip在1，2，5，10，12的时候，画面出现了明显变化。
clip1
当clip设为1的时候，画面出现了极大的不稳定性，三个例子中只有例1基本符合tag，其他两个例子不能说毫无关系，只能说完全失去人物特征，但三个例子出图质量相比clip2都比较高，爱好随机抽卡的可以试试。
clip2，3，4
clip2，3，4是较为符合tag的参数，其中2的符合度最高，并依次递减，因此推荐参数基本都是2。实际上clip2—9的画面都是处于均衡变化状态，只不过例2中在clip5处出现了较大的画面变化，因此才分开说。
clip5，6，7，8，9
clip5，6，7，8，9可以说和tag出入已经相当大了，在测试中人物仅保留了兽耳，黑丝，外套，白衬衫等几个tag，其他tag基本都被忽视了，不推荐使用。
，11，12
在处，三个例子都出现了双人的情况，而在12处，虽然双人的情况消失，但生成的图片可以说与tag基本已经没什么关系了。
总结一下，首先，clip设置只推荐2，有抽卡需求的可以尝试一下1；其次，虽然都是与tag相关性有关，但clip跳过层的逻辑明显与提示词相关性（CFG Scale）有很大不同，clip明显和tag对着干，到后期甚至出现了双人的情况；个人猜想clip对画面的改变与tag的位置有关，越靠后的tag越容易被针对，而比较靠前的tag如1girl，solo等直到才会被针对。
3，迭代步数测试
迭代步数测试
迭代步数测试了1—10，20，40，60，80，100的参数设置，图太多就不细讲了，这边直接上结论：1—6步处于出图状态，从第7步开始基本出图完毕，到了能看的地步，7步以后每增加步数都会对画面不合理的地方做细微调整，20步之后画面基本稳定，不会再有较大改变。
另外值得一提的是，随着步数的增加，出图所需时间也会相应增加，到100步时，我1650的显卡基本10分钟才能出1张，因此不建议步数过高，建议保持在20到40左右。
4，采样方法测试
采样方法测试
对SD自带的20种采样方法进行了测试，根据出图大概可以分为一下几系：
a系：名字中带a的
a系
SDE系：名字中带SDE的
SDE系
啥都没有系：名字里看不出规律，但是出图很像的系
啥都没有系
以及两个较特殊的：
Euler a：
Euler a
Euler a虽然名字也带a，出图也很像a系，但是和a系还是存在一定差别，因此单独分一类。
DPM fast：
DPM fast
DPM fast是个很特殊的采样方法，我一开始以为他出图质量堪忧，但对比迭代步数表后发现，他的出图效果很像没有迭代完成时的效果，于是我把迭代步数从20拉到了80，果不其然，80步迭代后的DPM fast出图质量得到改善，并且是偏a系的，但即使这样，依然不推荐DPM fast，谁让他采样迭代步数这么高，浪费时间。
5，提示词相关性测试
提示词相关性测试
在提示词相关性测试中，选择了1—10，12，14，16，18，20，23，26，30几个参数进行测试。
CFG —3
相关度1时，立绘会产出一种极为魔幻的画风，可以说和他的原本的风格截然不同，我个人很喜欢这种画风，但是他人体结构等很不稳定，得靠自己脑补；相关度从2开始逐渐稳定下来，经过3，4的两次迭代，直到10都不会有什么明显的变化。
但其实微小的变化还是有的，直接对比4和10就会发现，相比于4，10的颜色饱和度，亮度明显高了一点，之后这一区别会被不断放大。
到了20，之前说的图像颜色问题被进一步放大，人物的动作，服饰也出现了改变，变得更加单调古板，此时的图已经难以称得上优秀了。
CFG ，26，30
20以后的图像基本已经不能看了，人物发着诡异的光芒，颜色的曝光度，鲜明度被拉满，动作变成简单的站姿……简直惨不忍睹。
提示词相关性上，4—10是一个比较能接受的区间，拉高相关性并不能让图像更符合tag，只会让图像过曝过鲜明。
6，尺寸测试
尺寸测试
出乎我意料的是，即使是在相同的种子下，不同的尺寸出的图也是截然不同的，我本以为会是简单地放大画面。可以直观地看到，如过想要不错的出图效果，长宽比最好保持在1：2或2：1内，且图像不宜过小。但除了128*128只画出了一双腿（ai还是很懂得嘛），128*768之后的比例没画出人形外，其他比例都画出了完整人形，甚至1024*128还画了两个，毕竟画面太长了，总不能把人给拉长了。
7，tag数量测试
tag数量测试
在tag数量测试中，测试了不同数量的tag对画面的影响程度（具体tag见文末测试表），这里不做详细分析，直接给出结论，在不加权重的情况下，100字（不是100词！）以后的tag基本对画面产生不了多大影响，极有可能被忽略，可以参考测试例后三列，如果有特别想要表现出的tag，建议写在100字内，另外，通过加权重或多写相似tag也有可能解决此问题。（顺便吐槽一句，AI根本不认识阿米娅！第一列tag我只加了质量控制tag和amiya，AI显然不知道我在说什么）
另外值得一提的是，明显可以看出，在低tag情况下立绘出图的质量比高tag时高得多，由此可以得出两个结论：1，立绘的低tag适应性强，这是个很重要的特性，某些模型在低tag情况下完全出不了图。2，立绘tag敏感性高，这意味着模型能否出好图很大一部分由tag质量决定，这对不会写tag的小伙伴来说绝对是一场灾难。
最后总结，如果你不在乎出的是谁，只想要好看的妹纸，建议tag尽量少，体会抽卡的快感；如果你想要固定某个人物，又想要高质量的图，那么恰恰相反，tag写的越多越好，而且还得精通大魔导书，懂得tag权重等一系列知识，才有可能在立绘上出好图。
8，模型对比测试
模型对比测试
这里我用了我手上14个模型用相同的种子进行对比测试，不对模型好坏做评价，每个人有每个人的画风喜好。但还是可以看出，在相同条件下，一些模型出的图从细节，画面结构，人物动态，背景等方面确实是要优于其他模型的。立绘在这方面我只能说表现一般。
立绘
cetus
9，重绘幅度测试
重绘幅度测试
不多说，直接上结论，重绘幅度0.6之前都对画面造不成太大影响；重绘加tag确实能让重绘的方向与tag一致，但是也和tag质量息息相关；同一种子不同原图重绘的结果也不一样；
10，模型图例
后话
立绘在我看来是一个相当稳定的模型，人物结构稳定，出图质量偏上，有很好的低tag适应力，但是其对tag质量要求较高，否则出的图容易平平无奇。
测试表，测试图包，以及一些不能说的链接：
链接：
提取码：y4px
模型链接：
链接：
提取码：b39j
如果有想测试的模型可以提供模型私聊哦
