马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有帐号？免费注册
x
本帖最后由 明心亘青 于 2026-5-27 00:06 编辑
这篇教程面向的群体，稍微直言不讳一点，是略微“欠缺了实操能力”的人。因为本文并不会引入新概念，而是会结合本人过去几篇文章（《一种在 ComfyUI 中基于 ControlNet 的基础构图方式》《新模型 Anima 的使用体会》等）中所提及的内容，搭建一个借助Anima 的自然语言生图能力，兼容 SDXL 的画师串、Lora的工作流。而如果你能够理解我过去这些文章的内容，那么本文所阐释的内容对你而言是毫无压力的。 你当我没活硬整也行（ 你或许听过让你丢掉 SDXL，拥抱Anima 的言论。但我们知道，Anima 对于画师串的兼容堪称灾难级别，这大概率是缘于其仅有2B 的参数以及目前没有训练完成。可是，二次元生图最重要的因素当然就是画师串，模型默认画风虽然大多都不难看，但千篇一律、大众化，迟早会看腻的，只有画师串能为我们的图像带来多样性。与此同时，由于Anima 太过年轻，社区尚未成功发展，不管是基于模型本身的微调模型还是 Lora 相较于 SDXL 都太少。但不幸的是，不管是目前主流的光辉还是 Noob，其语义理解都太过落后了。仅仅支持 Tag 式的文本输入便已经造成了极大的不便。一个典型的例子便是萝莉色图当中的“日不落”或者说“雌悬浮”，在不借助Lora 的前提下，从我个人的经历来说，我必须抽奖才能从一些原本并不专门描述这个动作的 Prompt 中抽出来（模型实在太喜欢让女孩子的脚沾地了……），麻烦得很。Anima 作为DIT 架构的新模型，在接入了 Qwen3 后也为 Anima本身带来了理解自然语言的能力。那么有没有一种可能，让我们既可以使用 Anima 的语义理解，又能够使用 SDXL 的画师串呢？有的兄弟有的，那就是 ControlNet。 结合 ControlNet，我们可以在一个工作流里同时使用 Anima 的生图与 SDXL 的洗图。 本文依旧使用 Depth 作为示例。 让我们先摆好两个常规的工作流： （随手搓的画师串。不难看出 SDXL 的生图质量真的吊打 Anima，但是画面丰富度上 Anima 又赢麻了…………） 接下来，找到 ControlNet 相关节点： 将之插入到 SDXL 的文生图流程中，我们有： 搜索 Depth Anything： DepthAnythingV2预处理器分辨率设置建议为图像短边分辨率长度，可以自行寻找节点统一。 连接，有： （将 Anima 生成的图像连接到预处理器，再将预处理器处理完的图像输入到ControlNet 应用当中。） 先运行，看看效果： 运行正常。 其实到这一步为止，我们的工作流主体就已经搭建完成了。但是我们这个是深度 ControlNet，只到这一步还是不够。 当然你用 Lineart 的话那确实完结了： 搜索节点：WD14 Tagger 然后搜索这四个节点： （没有系统提示词的也没问题） 当然这个不强求，但你最好有一个 LLM 可以调用。否则你将无法从 SDXL 上入手去决定生图人物样貌。 结合前面的 WD14，连接一下，得到这个： 当然，聪明的你一定能发现，这里其实只是在 Cosplay Qwen3的图像反推提示词罢了。原则上没有后面的 LLM 也能用，但是WD14 识图并不能读心，这导致不管是发色还是什么，它反推出的 Prompt 总是会保留原图像的各种外貌信息，如果我们想借这个姿势跑一些别的模型本身不认识的人物，那么就会收到这些外貌 Tag 的污染。你当然也能在排除标签一栏当中进行排除，但量太大了，倒不如接个 LLM。你可以用LLM 删掉那些不需要的 Prompt。 当然这并不意味着 LLM 就不需要抽奖了，有的时候LLM 也会删掉一些有用的 Prompt，但比自己手删省心多了不是。 系统提示词随便写一下就好。 然后我们需要微调一下 SDXL 部分的流程，搜索节点字符串（多行）和 String Function： 然后按照下图所示进行连接： 略微整理一下后，工作流大概会长这样： 由于人物区分度大概不会很明显，我这里加入一段人物提示词，也就是典中典的 hatsune_miku, vocaloid, 也就是告诉模型要跑来自 Vocaloid的初音未来。 如果将 LLM 屏蔽掉，那么这一次的出图就是： 很明显地看到一致性有很大区别。这个涉及到的其实是 ControlNetDepth 的原理，我过去的文章讲过。 现在让我们实践一下 NSFW 的内容： 必须指出的是现在 Anima 问题不小，从我体验上出发最显著的一个就是提示词太长时会崩图，所以 Flux、Qwen·Image 以及 Z-image 都要当作是Anima 的代替品之一。 目前而言，Anima 的局限性还是很大，也因此我仍旧主张使用其他的模型甚至是直接去 Pixiv 搜 Tag让自己跑自己想看的图。当然这自然与 Anima 未训练完成有关，我倒很期待看到那一天。在此之前还是接着使用SDXL 吧。 玩得开心。
更新：Anima Base 问世后我也稍微研究了一下相关的情况，总之大概就是 XL 的画师串是因为 CLIP 本身的语义理解较为贫弱，每个 Tag 都是作为独立的元素影响噪声的生成，结果在输入多个画师 Tag 时就产生了风格的「融合」，某种程度上来说画师串算 CLIP 语义理解的副产物。
而 Anima 使用的是 Qwen 3 0.6B 作为语义理解，LLM 在运作时的原理与 CLIP 不尽相同，每个输入的文本在 LLM 影响噪声生成时都是「连续」而非「独立」的，此时单纯陈列画师 Tag 会导致 LLM 无法正确理解这段输入，从而导致画风「融合」能力变弱。这是 Anima 在训练之初就会存在的难以解决的问题。不过在实践中，输入两到三个画师 Tag 还是有些作用的，再多就有些微乎其微了。感兴趣的可以自己研究研究。
| 
发表于 2026-3-26 18:53:58
楼主
