Stack do spójnej AI influencerki: ComfyUI, Pony Diffusion V6 XL, Illustrious i trening LoRA

W internecie roi się od poradników, w których autor „przetestował wszystko przez 200 godzin i wygenerował 1200 zdjęć”. Nie wiemy, czy te liczby są prawdziwe, i nie zamierzamy dopisywać własnych. Ten tekst opisuje stack, który da się sprawdzić: repozytoria, wersje modeli, parametry treningu i sposób liczenia kosztu. Jeśli jakaś liczba jest naszym założeniem, jest tak nazwana.

Drugiej rzeczy tu nie znajdziesz: gwarancji. Dwa identyczne prompty na tym samym modelu nie dadzą identycznego obrazu, a ten sam seed po aktualizacji sterownika potrafi zwrócić inny kadr. To nie wada narzędzi — to natura dyfuzji i warto ją uwzględnić w planie produkcji, zamiast się na nią obrażać.

Trzeciej: nie ma jednego „najlepszego modelu”. Jest model, który pasuje do Twojej niszy i stylu. Pony V6 XL zachowuje się inaczej niż Illustrious, a Flux inaczej niż oba — i to jest informacja użyteczna, a nie problem do rozwiązania.

Automatic1111 (A1111) i jego szybszy fork Forge to interfejsy suwakowe. Wpisujesz prompt, ustawiasz sampler, kroki, CFG, klikasz Generate. To najkrótsza droga od instalacji do pierwszego obrazu i nadal najlepszy wybór, jeśli robisz kilkanaście kadrów tygodniowo i nie chcesz myśleć o architekturze.

ComfyUI jest edytorem grafów. Każdy krok — ładowanie checkpointu, CLIP encode, sampler, VAE decode, upscaling, inpaint — to węzeł połączony z innymi. Zysk jest realny dopiero przy produkcji: gdy potrzebujesz powtarzalnego rurociągu (ten sam upscale, ten sam face detailer, ten sam eksport), gdy chcesz zapisać workflow jako plik JSON i odpalać go przez API, albo gdy robisz warianty seryjnie. Koszt pojawia się pierwszego dnia: musisz zrozumieć, co jest połączone z czym.

Praktyczny podział, który sprawdza się w pracy: Forge do eksperymentów i szybkich poprawek, ComfyUI do tego, co ma być powtarzalne. Wiele osób trzyma oba — nie dlatego, że tak „wypada”, ale dlatego, że szukanie parametrów w grafie jest wolniejsze niż w formularzu.

Niezależnie od interfejsu pod spodem działa ten sam ekosystem: checkpointy w formacie safetensors, tekstowe enkodery, VAE i sieci LoRA. Decyzja o interfejsie nie zmienia tego, co potrafi model — zmienia tylko, ile pracy wkładasz w obsługę.

Pony Diffusion V6 XL to model oparty na architekturze SDXL, trenowany z myślą o tagach w stylu booru i o sterowaniu „ratingiem” treści. W praktyce oznacza to, że rozumie prompt zbudowany z tagów (score_9, score_8_up, 1girl, solo) lepiej niż rozbudowane zdania, a jakość obrazu zależy od tego, czy tagi są w kolejności, której model się uczył. Wymaga też specyficznego ustawienia CLIP: dla Pony pomija się ostatnią warstwę (CLIP Set Last Layer = -2), inaczej model potrafi zwracać rozmyte albo „plastikowe” kadry.

Illustrious XL powstał jako model typu SDXL trenowany na dużym, kuratorowanym zbiorze ilustracji i zdjęć, z naciskiem na kontrolę kompozycji. W praktyce jest bardziej tolerancyjny dla promptów opisowych, lepiej trzyma perspektywę (ujęcia POV, skosy, ręce w kadrze) i częściej daje czysty fotorealizm bez dodatkowych upscalerów. Za to bywa mniej przewidywalny przy tagach booru.

Konsekwencja dla pracy: jeśli budujesz postać na tagach i chcesz dokładnie sterować ratingiem (SFW, bielizna, pełna nagość), Pony jest naturalnym wyborem. Jeśli budujesz wizerunek „jak z Instagrama” i liczy się kompozycja oraz światło, Illustrious zwykle daje szybciej to, czego szukasz. Nie ma sensu brać obu na start — wybierz jeden, zrób na nim 50 kadrów, a potem oceniaj.

Trzecia droga to Flux i jego warianty: mocniejsze trzymanie promptu i anatomia, ale większe wymagania sprzętowe i inna filozofia pracy (mniej tagów, więcej zdań). Jeśli Twoja karta ma 8 GB VRAM, Flux w pełnej precyzji będzie walczył — wtedy zostaje kwantyzacja albo chmura.

LoRA to mała sieć doklejona do modelu bazowego, która uczy go konkretnej twarzy, stylu albo ubioru. Cały proces opiera się na jednym założeniu: model uczy się tego, co mu pokażesz. Jeśli w datasecie będzie 30 kadrów twarzy w tym samym świetle, dostaniesz postać, która istnieje tylko w tym świetle.

Praktyczny układ, który daje przewidywalny efekt: kilkanaście zbliżeń twarzy (przód, półprofil, profil, różne światło, bez filtrów upiększających), kilka ujęć sylwetki w ubraniach codziennych i kilka ujęć w bieliźnie lub kostiumie, jeśli postać ma być używana komercyjnie także w takim kontekście. Różnorodność tła jest równie ważna jak różnorodność kątów — inaczej LoRA „przykleja” tło do twarzy.

Tagowanie: każdy obraz dostaje opis, który mówi modelowi, co jest zmienne. Jeśli w każdym opisie powtarzasz blue eyes, model nauczy się, że niebieskie oczy są częścią postaci — i nie zmienisz ich już promptem. Jeśli konsekwentnie pomijasz cechy, które mają być stałe, a opisujesz tylko zmienne (ubranie, tło, pozę, światło), LoRA nauczy się samej twarzy.

Format datasetu i parametry treningu opisuje repozytorium kohya-ss (sd-scripts) — to ono jest źródłem prawdy, a nie poradniki. Kohya_ss dodaje wygodny interfejs, ale pod spodem uruchamia te same skrypty.

Punkt startowy dla postaci na SDXL: rank sieci 16, alpha 8, optimizer AdamW8bit, learning rate 1e-4 dla UNet i 5e-5 dla tekstowego enkodera, scheduler cosine_with_restarts, 10 epok po około 100–120 krokach. Te wartości nie są święte — są miejscem, od którego zaczynasz, żeby mieć z czym porównywać.

Trzy dźwignie, które naprawdę bolą: zbyt wysoki learning rate (model „wypala” twarz i traci różnorodność), zbyt wiele epok (postać zaczyna wyglądać jak kolaż z datasetu) i zbyt mało danych (LoRA uczy się tła zamiast twarzy). Zwiększanie rank ponad 32 przy 30 zdjęciach zwykle nic nie daje poza większym plikiem.

Test spójności: wygeneruj siatkę 3x3 — trzy ujęcia (portret, półpostać, cała sylwetka) w trzech kontekstach (studio, plener, wnętrze) — i oceń, czy to ta sama osoba, nie patrząc na prompt. Jeśli w jednym z dziewięciu kadrów twarz „ucieka”, problem jest w datasecie, nie w samplerze. Regenerowanie z innym seedem tylko maskuje problem.

Wagi przy łączeniu kilku LoRA: postać 0,7–0,85, styl 0,3–0,5, detal skóry 0,2–0,4; suma powyżej 1,2 zaczyna rozjeżdżać anatomię. Zapisuj każdy zestaw wag razem z seedem — inaczej nie odtworzysz kadru, który się udał.

Są dwa koszty: sprzęt i czas. Lokalna karta to wydatek jednorazowy plus prąd; chmura to koszt godzinowy, który rośnie razem z liczbą eksperymentów. Porównywanie „karta za kilka tysięcy złotych vs stawka godzinowa” ma sens tylko wtedy, gdy policzysz, ile godzin miesięcznie faktycznie generujesz.

Wzór, który wystarcza: koszt miesięczny = godziny × stawka za godzinę + koszt przechowywania modeli. Przy 20 godzinach miesięcznych i stawce rzędu 0,3–0,5 USD/h za kartę klasy RTX 3090/4090 wychodzi kilkanaście dolarów — mniej niż się wydaje, dopóki nie zaczniesz trenować codziennie.

Koszt na kadr jest lepszą metryką niż koszt na godzinę, bo uwzględnia Twoją własną wydajność. 60 sekund na obraz przy 20 obrazach daje 20 minut pracy karty; jeśli połowa kadrów idzie do kosza, realny koszt podwaja się. Zapisz to raz, a przestaniesz wierzyć w „darmowe” generowanie.

Na koniec: nie licz na to, że ceny wynajmu GPU będą stałe. Sprawdzaj cennik dostawcy w dniu, w którym planujesz sesję — i wpisuj go do kalkulacji, a nie do pamięci.

Zanim nazwiesz zestaw narzędzi „stackiem produkcyjnym”, sprawdź cztery rzeczy: czy umiesz odtworzyć wczorajszy kadr (seed, workflow i wersja checkpointu), czy Twoja LoRA trzyma twarz w 9 z 9 kadrów testowych, czy wiesz, ile kosztuje sesja, i czy masz zapisane, którego checkpointu użyłeś. Trzy z tych czterech rzeczy to nie umiejętności, a dyscyplina — i ona decyduje, czy po miesiącu będziesz mieć postać, czy folder z 300 przypadkowymi obrazami.

Pierwszy: dataset z jednej sesji. Dwadzieścia zdjęć z tego samego popołudnia, to samo okno, ta sama bluzka. Model nauczy się dosłownie tego oświetlenia, a w każdym innym kontekście twarz będzie się rozpadać. Rozpoznanie: LoRA działa w studiu, a w plenerze zwraca kogoś innego. Naprawa: dosypać kadry z co najmniej trzech różnych źródeł światła.

Drugi: tagowanie, które opisuje wszystko. Jeśli w każdym pliku tekstowym jest 1girl, blonde hair, looking at viewer, to opisujesz nie zmienną, a postać — i model nie pozwoli Ci potem zmienić fryzury. Rozpoznanie: zmiana koloru włosów w prompcie nic nie robi. Naprawa: retagowanie, nie ponowny trening od zera.

Trzeci: trening na zbyt wysokim learning rate. Objaw jest charakterystyczny — twarz staje się „wypalona”, nadmiernie kontrastowa, jakby była namalowana. Rozpoznanie: siatka 3x3 ma dziewięć różnych osób. Naprawa: połowa learning rate, mniej epok, ten sam dataset.

Czwarty: mieszanie modeli bazowych między treningiem a generowaniem. LoRA wytrenowana na Pony działa na Pony; na Illustrious da artefakty, a nie twarz. Rozpoznanie: plik safetensors ma w nazwie model, ale Ty go nie zapisałeś. Naprawa: nazwa pliku z modelem bazowym, wersją i liczbą epok, zawsze.

Piąty: brak rejestru. Po dwóch tygodniach masz cztery pliki LoRA i zero informacji, który był lepszy. To najtańszy błąd do uniknięcia i najdroższy w skutkach, bo tracisz porównywalność. Rozpoznanie: nie potrafisz odpowiedzieć, czemu wybrałeś ten, a nie inny plik. Naprawa: arkusz z pięcioma kolumnami (data, dataset, parametry, wynik testu 3x3, decyzja) i wpis przy każdym treningu.

SDXL w pełnej precyzji to kilkanaście gigabajtów pamięci karty przy generowaniu i zdecydowanie więcej przy treningu LoRA. Na kartach 8 GB uruchomisz generowanie z optymalizacjami (model w połowie precyzji, dzielenie na etapy), ale trening będzie wymagał kompromisów: mniejszy batch, gradient checkpointing, wolniejsze epoki. To działa — tylko zajmuje więcej czasu, a czas jest kosztem.

Karta 12 GB to komfortowe minimum dla SDXL. 16–24 GB pozwala trenować bez gimnastyki i generować w większej rozdzielczości bez upscalerów. Powyżej 24 GB wchodzisz w obszar, w którym zaczynają działać większe modele wideo — i tam koszt sprzętu przestaje być jednorazowy, bo chłodzenie i zasilacz też mają granice.

Jeśli nie chcesz kupować karty, wynajem ma jedną niezaprzeczalną zaletę: nie zamrażasz kapitału w sprzęcie, który za rok będzie wolniejszy od tańszego następcy. Wadą jest konieczność pilnowania sesji — wynajęta maszyna działa, dopóki jej nie wyłączysz, a zapomniana sesja to najczęstszy „ukryty” koszt w tej pracy.