整体结构

本教程共 14 章，外加三个附录，分四步走。前两章讲原理和定位，先画一张地图，用大白话讲清楚 AI 画图到底是怎么回事，再引出 Anima 是什么。第三到第六章是纯实操，装 ComfyUI、下模型、配工作流、出第一张图，全程手把手。第七、八章练生成技巧，讲参数怎么调、提示词怎么写，完成从「能出图」到「能出好图」的进阶。最后六章拆模型架构，逐层讲 Anima 是怎么实现的，再用一张大表和 SDXL 做个对照。附录放术语表、常见问题和资源链接，随手查。

第一部分：原理与定位（先看懂地图再出发）

第 1 章 AI 绘图极简原理（小白版）

本章目标：用不超过 2500 字、零数学公式、全类比的方式，让完全没接触过 AI 绘图的新手理解「扩散模型是怎么工作的」。不涉及任何具体模型，只讲通用框架。

1.1 一个类比：AI 是怎么「学会」画画的

一个美术生是怎么学会画画的？从小到大看成千上万幅作品，一遍遍临摹，画得不像就重来。临多了，慢慢摸出规律：眼睛该在脸的什么位置，光从左边打来阴影落在哪，什么笔触能画出毛发的质感。到最后不用参考图，也能凭经验画出全新的东西。AI 画图模型走的是同一条路。它「看」了几亿张图，记住的不是哪一张具体图片，而是像素排列的统计规律：什么样的像素组合像头发、像天空、像人的眼睛。给它一段文字，它就能按这些规律重新组合出一张新图。这里有个误解得先讲清楚：AI 不是从图库里剪一块拼上去，也不是在「抄袭」哪张已有的图，它输出的每一个像素都是现场算出来的。

1.2 扩散模型的两个阶段

Anima 这类扩散模型的工作方式，可以拆成两个完全相反的过程。训练阶段是一场「破坏与复原」的游戏：取一张清晰图，逐步往上加随机噪声，越加越多，直到整张图变成一片雪花点，完全看不出原来是什么；让 AI 反复看「从清晰到模糊」的每一步，它学到的就是逆向的规律，怎么把模糊重新变清晰。生成阶段反着来，从一张纯噪声图起步，此时它脑子里什么都没有，只靠输入的文字提示，一步步去掉噪声、还原出清晰画面。每步只去掉一小点噪声，就像从极度模糊慢慢对焦。整个过程可以想象成一段倒放视频：一张清晰照片先被打满马赛克，AI 再学着把马赛克一层层揭掉。

1.3 潜空间（Latent Space）：为什么 AI 不在像素上画画

这里有个现实问题。如果直接在像素层面动手，一张 1024×1024 的图有 100 多万个像素点，按 RGB 三通道展开是 300 多万个数值，每一步加噪去噪都要在这 300 万个值上算，普通电脑扛不住。所以得「先压缩、再创作、最后解压」：先用一个压缩器（VAE 编码器）把图片压成小得多的特征图，加噪去噪都在这个压缩后的潜空间里完成，最后再用解压器（VAE 解码器）还原成高清图。拿 Anima 说，它的 VAE 在空间上把 1024×1024 压到 128×128，每边缩小 8 倍、面积缩小 64 倍，同时用 16 个通道装信息。这么一来，扩散模型真正要处理的潜空间表示只有 128×128×16，约 26 万个数值，比原来的 314 万像素少了大约 12 倍。就像剪一个特别大的视频，先压成小体积的代理文件，剪完再渲染回高清，VAE 干的就是压缩和解压这两件事。

1.4 提示词（Prompt）是怎么起作用的

提示词是文字，AI 处理的是数字，所以文字得先翻译。文本编码器（Text Encoder）把提示词变成一串数字向量，叫语义嵌入，也叫条件向量。去噪的每一步，这些向量会通过一种叫交叉注意力（Cross-Attention）的机制，告诉扩散模型下一步该往哪个方向去噪、画面里该出现什么。说白了，提示词就是递给 AI 的一张文字地图，它每走一步都掏出地图确认方向，免得跑偏，最后走到描述的目的地。

1.5 一句话总结整个流程

把上面四个环节串成一条流水线：

文字提示词 → 文本编码器 → 语义向量
随机噪声（潜空间） + 语义向量 → 扩散模型逐步去噪 → 去噪完成后的潜空间特征
潜空间特征 → VAE 解码器 → 最终高清图片

所有主流 AI 绘图模型都遵循这个框架，区别只在于每个环节用了什么具体技术。Anima 也不例外，下一章就把它对号入座。

1.6 这一章没有讲的东西

说实话，这一章是对真实过程的极度简化，数学公式、具体的网络结构、采样调度的细节、CFG 的计算方式，全都没讲。只想会上手，读到这里已经足够；想弄懂具体实现的，第四部分会用同样的大白话逐块拆开讲。

第 2 章 Anima 是什么——基于上述原理的具体模型

本章目标：承接第 1 章，把通用框架映射到 Anima 的具体组件上，让读者知道「Anima 就是按照这个框架做出来的模型」，形成整体认知。

2.1 模型家族与基本定位

Anima 是个文生图模型，输入文字，输出动漫、二次元风格的图片，由 circlestone-labs 和 Comfy Org 合作发布，权重放在 Hugging Face（circlestone-labs/Anima）。DiT 主干有 20 层、28 层、36 层三种规格，官方主推的 2B 版是 28 层、约 2.1B 参数，技术基座是 NVIDIA Cosmos-Predict2 的 Text2Image 架构加 Rectified Flow 生成框架。官方按用途还发了三个版本：Base 是预训练底模，Aesthetic 是质量微调版，Turbo 是蒸馏加速版、CFG 1 加 8–12 步就能出图，新手建议从 Turbo 上手。

2.2 通用框架 → Anima 组件的映射表

把第 1 章的通用概念和 Anima 的具体实现一一对上：

2.3 Anima 的「身份档案」

• 全名：Anima Base v1.0
• 主干架构：DiT（纯 Transformer，取代 U-Net）
• 参数量：约 2.09B（DiT 主干，官方口径 2B）+ 0.6B（Qwen3，冻结）+ 约 0.13B（VAE），三个文件合计约 2.8B
• 文本编码器：Qwen3-0.6B（冻结）+ LLM Adapter（可训练）
• 潜在空间：16 通道，8× 空间压缩（输入 1024² 图片 → 潜在尺寸 128²）
• 生成框架：Rectified Flow（流匹配，连续时间）
• 推荐采样参数：30–50 步，CFG 4–5，Euler / dpmpp_2m_sde_gpu
• 分辨率范围：512²–1536²（原生 1024²，靠 RoPE 外推覆盖）

2.4 为什么 Anima 值得尝试

Anima 的自然语言理解能力明显更强。Qwen3 是正经的大语言模型，512 token 上下文能准确读懂复杂长提示词，把 SDXL 的 CLIP（77 token×2）甩开一大截。它在低 CFG 下也很稳，Rectified Flow 框架下 CFG 只要 4–5，远低于 SDXL 的 7–9，出图不容易过饱和。少步数也能用，Euler 采样器跑 30 步就有高质量输出，不用依赖高阶采样器。它还能把分辨率往外推，1536² 直接就能跑。

第二部分：从零跑通 Anima（零基础实操）

本部分目标：让完全没接触过 ComfyUI 的读者，在 30–40 分钟内完成安装、下载、配置并生成第一张 Anima 图。不讲原理，只教操作。

第 3 章 准备工作：安装 ComfyUI

章节说明：ComfyUI 是运行 Anima 最可靠、官方最推荐的图形界面。本章教读者从零安装。

3.1 ComfyUI 是什么

ComfyUI 是一个节点式的 AI 绘画软件，通过连接一个个功能模块（节点）来搭建生成工作流。选它是因为 Anima 官方原生支持，社区工作流最丰富，显存优化也最好。

3.2 电脑配置要求

• 最低配置（能跑，较慢）：NVIDIA GTX 1060 6GB / RTX 2060 6GB，16GB 内存。
• 推荐配置（流畅）：NVIDIA RTX 3060 12GB / RTX 4060 Ti 16GB 或更高，32GB 内存。
• 操作系统：Windows 10/11（首选），macOS（Apple Silicon，性能较弱），Linux。
• 特别说明：目前 Anima 主要针对 NVIDIA 显卡（CUDA）优化，AMD 显卡用户可能需要额外配置。

3.3 下载 ComfyUI

官方 GitHub 仓库地址是 https://github.com/comfyanonymous/ComfyUI。Windows 用户推荐下载 ComfyUI_windows_portable_nvidia.7z（NVIDIA 显卡首选，自带 Python 环境和依赖，解压即用；AMD / Intel 显卡选对应的 amd / intel 版本）。Mac、Linux 用户在仓库页面找对应的安装说明。不建议从非官方来源下载，安全第一。

3.4 解压与目录结构说明

下载后解压到任意位置，路径最好别带中文和空格，比如 D:\ComfyUI。解压完，目录里几个文件夹的用途如下：

3.5 第一次启动与界面认识

Windows 下双击 run_nvidia_gpu.bat 启动（NVIDIA 显卡），没独显就用 run_cpu.bat。启动时命令行窗口会弹出、滚动刷日志，这很正常，先不要关。当末尾出现 http://127.0.0.1:8188 就说明启动成功了。打开浏览器，地址栏输入这个地址回车，看到界面就算成。

3.6 常见启动报错及解决方法

• 报错 CUDA is not available：显卡驱动没装或版本太低，去 NVIDIA 官网更新驱动。
• 报错 Out of memory：显存不够，启动参数加 --lowvram 或 --novram 试试。
• 报错 No module named 'torch'：Python 环境依赖缺失，重新解压便携版或运行 install.py。
• 其他冷门错误：去 Hugging Face 模型页的 Community 区，或 CivitAI、TensorArt 这类社区的讨论区搜解决方案。

第 4 章 下载 Anima 的三个核心模型文件

章节说明：Anima 不是单个文件就能跑，它需要三个独立组件协同工作。本章让读者清楚知道「需要下载什么」「放在哪里」。

4.1 三个文件清单与分工

4.2 Hugging Face 下载指引

官方仓库地址是 https://huggingface.co/circlestone-labs/Anima。打开页面点 Files 标签，在文件列表里找到上面三个 .safetensors，逐个点右边的下载按钮（↓）。网慢的话可以用 Hugging Face 镜像站，或者 huggingface_hub 命令行。注意别下无关文件（.gitattributes、README.md 这些），只下三个 .safetensors。

4.3 文件放置路径（完整路径 + 截图示例）

以解压后的 ComfyUI 根目录为 ComfyUI/，三个文件分别放到：

ComfyUI/models/diffusion_models/anima-base-v1.0.safetensors
ComfyUI/models/text_encoders/qwen_3_06b_base.safetensors
ComfyUI/models/vae/qwen_image_vae.safetensors

models/ 下如果没有 diffusion_models/ 或 text_encoders/ 文件夹，手动建一个就行。

4.4 如何确认放置正确

重启 ComfyUI（关掉命令行窗口再双击 .bat），在启动日志里搜文件名。看到 Loading diffusion model: anima-base-v1.0.safetensors 且没报错，就对了。要是出现 File not found 或 No such file，查一下路径是不是写错、文件名有没有多余后缀。

第 5 章 获取与加载 Anima 工作流

章节说明：有了模型文件，还得有个「工作流」告诉 ComfyUI 怎么把这些文件连起来。本章教读者获取官方工作流并加载。

5.1 工作流是什么（通俗类比）

工作流是个 .json 文件，记录了所有节点的位置、连线和参数。模型文件是食材，工作流是菜谱，没有菜谱，食材堆那儿也不知道怎么做。ComfyUI 有个贴心功能：能把工作流直接嵌进生成的图片里，所以把别人生成的图拖进来，对应的完整工作流就会自动加载。

5.2 获取官方工作流的三种途径

• 途径一（最推荐）：在 Hugging Face 仓库的 README.md 页面里找到官方示例图，直接拖进 ComfyUI 界面即可导入工作流。
• 途径二：通过 ComfyUI Manager（需提前装 Manager 插件），在「模板」或「工作流」里搜 "Anima"，点官方模板加载。
• 途径三：手动搭建，不推荐新手，可以照截图「看着搭」，但前两种方式简单得多。

5.3 导入工作流并检查节点

以「拖图片导入」为例：打开 ComfyUI，把官方示例图拖到工作区松手，工作流自动弹出。然后检查三个模型节点指向的文件对不对：「Load Diffusion Model」应显示 anima-base-v1.0.safetensors，「Load Text Encoder」应显示 qwen_3_06b_base.safetensors，「Load VAE」应显示 qwen_image_vae.safetensors。不对的话，点节点上的文件选择框重选。

第 6 章 输入提示词，生成第一张图

章节说明：万事俱备，本章让读者真正按下生成按钮，看到自己的第一张 Anima 作品，这是整个教程里最有成就感的一步。

6.1 输入正向提示词（可直接复制）

在工作流里找到「CLIP Text Encode (Prompt)」节点（正向提示词节点），文本框里输入下面这段，直接复制即可：

masterpiece, best quality, score_7, safe, 1girl, white hair, long hair, blue eyes, school uniform, sitting in a sunny cafe, holding a cup of coffee, window light, detailed background, warm atmosphere

这段的大意是：一个白头发、蓝眼睛的女学生坐在咖啡厅里。不用逐词翻译，知道这是「一个人物加场景的描述」就行。

6.2 输入负向提示词（可直接复制）

找到「CLIP Text Encode (Prompt)」节点里带 negative 标识的那个（负向提示词节点），输入：

worst quality, low quality, score_1, score_2, score_3, artist name, blurry, jpeg artifacts, chromatic aberration

负向提示词的作用是告诉 AI 要排除什么，比如低画质、低分、模糊、JPEG 伪影、色差这些。

6.3 检查生成参数

• 「Empty Latent Image」节点（或类似采样参数节点）：分辨率（Width / Height）设 1024 x 1024，批大小（Batch Size）设 1（一次只出一张）。
• 采样器节点（通常叫「KSampler」或「SamplerCustom」）：步数（Steps）30、CFG（CFG Scale）5.0、采样器（Sampler）euler、调度器（Scheduler）normal 或 simple。
• 这些参数此处不必深究，照着设置即可，第七章会逐条解释。

6.4 点击生成与等待

点界面右侧的「Queue Prompt」（或按 Ctrl+Enter），盯着命令行窗口的进度条，等 10–30 秒（看显卡性能）。出图后，图片会出现在工作区的输出节点里，右键能存到本地，ComfyUI/output/ 文件夹里也能找到。到这一步，第一张 Anima 图就完成了。

6.5 报错排查清单

• 报错「Checkpoint file not found」：模型路径不对，回看第四章，确认文件放在 models/diffusion_models/ 下。
• 报错「CUDA out of memory」：显存不够，降到 768×768 或 512×512，或启动加 --lowvram。
• 报错「Node type not found」：缺自定义节点，去 ComfyUI Manager 装对应节点。
• 报错「VAE decode failed」：VAE 文件不匹配或损坏，重新下 qwen_image_vae.safetensors 覆盖。
• 生成结果全黑或全灰：多半是 VAE 加载失败，查 VAE 节点连没连对。

第三部分：掌握生成技巧（实战向）

本部分目标：读者已经能出图，但可能「随机性很强，不知道怎么控制」。本部分通过对比图讲清每个参数的作用，并教会读者用提示词精准控制画面。

第 7 章 生成参数逐一拆解（配对比图）

章节说明：本章每一节都配并排对比图（同一种子、只变一个量），让读者直观看到参数对画面的影响。

7.1 分辨率（Width / Height）

分辨率就是输出图片的长宽像素数。Anima 官方支持 512² 到 1536²，原生训练分辨率是 1024×1024，建议以它为基准：512×512 会糊、丢细节，768×768 能用但偏软，1024×1024 是甜点位，1536×1536 细节最足但吃显存。显存和分辨率是平方关系，分辨率翻一倍，像素数翻四倍。长宽比可以改，比如 1024×1536 这种竖图，但 H 和 W 都得能被 16 整除，这是 Anima 的结构约束（VAE 空间 8× 下采样，DiT 再按 2×2 切 patch，合起来 8×2=16）。

7.2 采样步数（Steps）

采样步数就是去噪迭代的次数，每步去掉一点噪声。同一提示词在不同步数下差别挺明显：10 步画面糊、结构不全；20 步基本成形但细节糙；30 步清晰锐利、细节足，是推荐起步值；50 步提升有限，边际收益递减。所以 30–50 步最划算，超过 80 步肉眼基本看不出差别，纯属多等。

7.3 提示词引导强度（CFG Scale）

CFG 控制模型「听提示词的程度」。数值越高，画面越贴提示词，但容易过饱和、颜色失真；越低，模型越自由，可能跑偏。同一提示词在不同 CFG 下：1.0 基本不理提示词，画面随机；3.0 大致照着来但偏平淡；5.0 是平衡点，画质和相关性都好（Anima 推荐值）；7.0 颜色加深、对比增强，可能轻微过饱和；10.0 颜色过猛，可能出伪影或画风突变。这里要特别提醒一句：Anima 推荐 CFG 是 4–5，比 SDXL 的 7–9 低不少，这是 Rectified Flow 框架的特性，照搬 SDXL 的调参习惯会把颜色推过头。

7.4 采样器（Sampler）

采样器决定去噪的「行走路径」，不同采样器在步数和质量之间做不同取舍。不用全列，Anima 上几个常用的：er_sde 是作者自己推荐的默认，风格中性、色块平、线条利落；euler 稍多点创意，配 Turbo、Aesthetic 这种本来就稳的版本不错；euler_a（Euler Ancestral）带随机性，画面更有灵气，但同一种子每次结果略有不同；dpmpp_2m_sde_gpu 收敛快、质量高。具体选哪个，对比 30 步下的出图即可。

7.5 随机种子（Seed）

随机种子决定初始噪声图的「随机序列号」。同一种子加完全相同的参数，出的图就完全一致，可复现。固定种子的用处在于：调出一个不错的构图后，想微调提示词或参数时，锁住种子就能控制变量、方便对比。随机种子（-1）则每次都从不同噪声起步，结果各不相同。演示时用同一提示词、同一参数、不同种子（1、2、3）各出一张，能明显看出构图和细节的差异。

7.6 扩展：LoRA 插件的加载与使用

LoRA 一句话说是个轻量的「附加模块」，能给底模加画风、角色或概念，不用重训整个大模型。用法也简单：把 .safetensors 格式的 LoRA 放进 ComfyUI/models/loras/，工作流里加一个「Load LoRA」节点，接到扩散模型和采样器之间，再调 LoRA 权重（一般 0.6–1.2，太大画面会崩）。本章只讲怎么用现成的 LoRA，不涉及训练方法。

第 8 章 提示词体系 —— Anima 的「语言」

章节说明：Anima 的训练数据融合了 Danbooru 风格标签和自然语言描述，所以提示词既有标签的规则，又有句子的灵活。本章系统讲这两种写法。

8.1 Anima 训练数据的构成

简单交代下背景：Anima 的训练集里有几百万张动漫图和约 80 万张非动漫艺术图，动漫知识截止到 2025 年 9 月。每张动漫图都配了 Danbooru 社区风格的标签（如 1girl、blue_hair）和人工写的自然语言描述，所以它既听得懂标签，也听得懂句子，还能混着用。另外还混了两个非动漫数据集 LAION-POP 和 DeviantArt，用「数据集标签」区分。

8.2 标签写法规范

标签用小写英文字母，之间用英文逗号加空格隔开（, ）；多词标签用空格不用下划线，比如 school uniform 而不是 school_uniform，唯一的例外是 score 标签（score_9 这类）用下划线。示例：1girl, white hair, blue eyes, school uniform, sitting, coffee shop。顺序上官方建议按「质量/元信息 → 主体（1girl 等）→ 角色 → 系列 → 画师 → 通用标签」的大致顺序排，段内顺序随意。

8.3 质量标签体系

Anima 的训练数据里有两套质量评价，写的时候可以二选一，也可以混用。人工评级标签从高到低：masterpiece（杰作）、best quality（最佳质量）、good quality（良好质量）、normal quality（普通质量）、low quality（低质量）、worst quality（最差质量）。PonyV7 美学模型评分标签从高到低：score_9、score_8、score_7……score_1。官方推荐的正向前缀是 masterpiece, best quality, score_7, safe（实际使用时结尾带上英文逗号再接其他标签），负向开头写 worst quality, low quality, score_1, score_2, score_3。正负向都写质量标签，是因为一个告诉模型要什么质量，一个告诉它排除什么质量，两头一夹更稳。

8.4 画师标签（风格指定）

Anima 支持用特定格式调用训练数据里出现过的画师风格：提示词里加 @画师名，比如 @wanwan。注意这个 @ 必须加，不加效果会弱很多；加权重 (@wanwan:1.2) 则增强这个画风的影响。画师标签灵不灵，取决于训练数据里该画师的作品多不多，不是每个名字都有效。

画师名可以是带空格的多个词，官方模型卡的示例提示词里就有 @nnn yryr 这样的实际用例。想验证某个画师标签灵不灵，最快的办法是锁住种子，分别生成「带 @画师名」和「不带」的两张图对比。另外画师标签的位置很自由，放在自然语言描述的开头也有效，比如 masterpiece, best quality, @画师名. An anime girl with...。如果想要的画风在画师标签里实在找不到，还有个退路：去 CivitAI 等社区找现成的 Anima 风格 LoRA，官方就给过一个附带数据集和训练配置的风格 LoRA 示例（https://civitai.com/models/2536147），照着它也能自己训一个。

8.5 自然语言描述写法

除了标签，Anima 也听得懂完整英文句子，建议正向提示词里至少放 2–3 句完整描述。推荐的写法是按从全局到局部的顺序分层：先写全局质量标签，再写主体（角色是谁、长什么样、穿什么、在干什么），接着写环境和细节（什么场景、背景有什么、光线如何），最后写氛围情绪（温暖、清冷、梦幻还是紧张）。套用第六章的提示词，扩成句子就是这样：

masterpiece, best quality, score_7, safe, 1girl, white hair, blue eyes, school uniform, sitting at a wooden table in a cozy cafe, holding a cup of latte, afternoon sunlight streaming through the window, warm and relaxing atmosphere

同一个主题，可以对比纯标签、纯句子、混着写三种写法的出图差异。

8.6 权重语法

想强调或弱化某个元素，可以用权重语法 (关键词:权重)：大于 1 是增强，小于 1 是减弱。比如 (white hair:1.3) 逼模型出白发，(coffee:0.8) 让咖啡别太抢眼。有一点要注意，Anima 对权重的敏感度比 SDXL 低，得给更大的值才到同等效果，官方示例甚至用 (chibi:2)，所以权重可以放心往大试，不必照 SDXL 的习惯停在 1.5。

8.7 实战：从平庸到精彩的提示词演变

拿「一个女孩在花园里」这个主题，看提示词怎么一步步进化：

• 版本 1（极简）：a girl in a garden → 画面空泛，缺细节，质量一般。
• 版本 2（加质量标签）：masterpiece, best quality, score_7, safe, a girl in a garden → 画质提升，但内容还是笼统。
• 版本 3（加具体描述）：masterpiece, best quality, 1girl, white dress, long brown hair, standing in a rose garden, holding a bouquet, soft sunlight, pink flowers → 画面具体化，元素丰富。
• 版本 4（加氛围和权重）：masterpiece, best quality, 1girl, white dress, long brown hair, standing in a rose garden, holding a bouquet, (sunlight:1.2), pink flowers, soft bokeh background, dreamy atmosphere → 最终版画面精致、氛围到位。

每步配一张对应生成图，一眼就能看出「提示词越具体，画面越好」。

8.8 其他标签：时间、安全与数据集

除了质量和画师，Anima 还认几类标签。时间标签：具体年份用 year 2025、year 2024 这种，也可以按画风新旧用 newest、recent、mid、early、old。安全标签：safe、sensitive、nsfw、explicit，用来控制内容尺度，官方推荐的正向前缀里就带了 safe，想避免意外内容就把它加进正向。数据集标签：模型额外用 LAION-POP 和 DeviantArt 两个非动漫数据集训练过，这类数据的描述开头会带一个数据集标签（ye-pop 或 deviantart）加换行，普通用户一般用不到，知道有这么回事就行。

第四部分：模型架构深度拆解（从「怎么用」到「为什么」）

本部分目标：面向想深入理解 Anima 原理的读者，用通俗但严谨的语言逐模块拆解。术语首次出现都给「人话」解释，不堆公式，但技术细节保持准确。

第 9 章 一张图看懂 Anima 系统架构

章节说明：以一张完整数据流图为核心，让读者先看到全景，后续章节再逐块深入。

9.1 完整数据流图

从「输入提示词」到「输出图片」的完整流程，标出所有关键模块和数据形状：

用户提示词（文字）
  → Qwen3 分词器 + T5 分词器（双路输入）
  → Qwen3-0.6B 文本编码器（输出语义向量 512×1024）
  → LLM Adapter（6层Transformer桥，融合T5骨架，输出 crossattn_emb 512×1024）
  → 随机噪声（潜空间 16×128×128）+ 噪声时间步 t
  → DiT 主干（28层Transformer，逐层注入crossattn_emb，预测速度场 v）
  → 多次迭代去噪（Rectified Flow 采样器）
  → VAE 解码器（把 16×128×128 解压回 3×1024×1024 RGB图片）
  → 最终生成的图片

流程图里用不同颜色标出「训练时固定的部分」（如 Qwen3）和「推理时动态变化的部分」（如噪声）。

9.2 五大核心模块职责一览

第 10 章 文本侧 —— Qwen3-0.6B 与 LLM Adapter

章节说明：详细拆解「提示词是怎么被模型理解的」这条上游链路。

10.1 为什么用 Qwen3 代替 CLIP

SDXL 这类传统模型用 CLIP 做文本编码器，上下文窗口只有 77 个 token，也就是大概只能看 77 个英文单词，长提示词会被截断，信息丢得厉害。Anima 改用 Qwen3-0.6B，一个真正的现代大语言模型，上下文窗口 512 token，能完整读复杂的、结构化的长句。差别在哪？写「一个穿白连衣裙、戴红围巾、站在花园里、手拿一束粉玫瑰、阳光从树叶间洒下来的女孩」，CLIP 可能只抓到「女孩」「花园」「玫瑰」，Qwen3 能理清所有细节之间的关系。

10.2 「冻结」文本编码器的含义

Anima 训练时，Qwen3-0.6B 的参数是冻结的，也就是训练过程不更新它的权重。原因是 Qwen3 早在大规模文本语料上预训练好了，语义理解够强，冻结它既省训练显存，又防止模型把学到的语言知识「忘掉」。所以实际训练只更新 DiT 主干和 LLM Adapter 的少量参数。

10.3 LLM Adapter 的设计动机与工作原理

先说动机。Anima 的基础架构 Cosmos-Predict2 当初是为 T5 文本编码器优化的，cross-attention 层期望输入 1024 维的 T5 风格向量。Qwen3 输出的维度刚好也是 1024，维数对得上，但语义分布和 T5 不一样，直接塞进去效果差。于是中间插了一个可训练的 6 层 Transformer「桥」，叫 LLM Adapter。它的做法是：拿 T5 分词器生成的 token 序列（512 个 token id）当「骨架」，拿 Qwen3 的输出当「语义来源」，用交叉注意力把 Qwen3 的语义逐 token 写进 T5 骨架，最后输出 DiT 要的 512×1024 条件向量。打个比方，Qwen3 是会外语的翻译官，Adapter 是口译员，把外语翻成 DiT 听得懂的本地话。

10.4 双分词管线的运作方式

Anima 的文本编码管线同时用两个分词器：Qwen3 分词器把提示词切成 Qwen3 能懂的 token，送进 Qwen3 拿语义嵌入；T5 分词器把同一段提示词切成 T5 格式的 token，作为 Adapter 的骨架输入。要两个分词器的原因是，Adapter 需要 T5 骨架当「槽位」，语义内容从 Qwen3 填进来，这是工程上的桥接做法，不是设计冗余。训练时两个分词器都不更新，只有 Adapter 学怎么把 Qwen3 的语义映射到 T5 骨架里。

第 11 章 DiT 主干 —— Transformer 如何生成图像

章节说明：本章深入 Anima 最核心的生成网络，解释「Transformer 怎么用来画画」。

11.1 从像素到 Patch 再到 Token（PatchEmbed）

直接处理像素很难。一张 1024×1024 的图有 300 多万个值，Transformer 自注意力的复杂度是 O(n²)，啃不动这么大的序列。解决办法（和 VAE 压缩还不一样）是 PatchEmbed：把潜空间特征（16×128×128）按 2×2 的空间块切，每块 16×2×2=64 个值，展平后过一层线性投影到 2048 维（实现里还会拼上少量填充通道，投影输入实际是 68 维）。结果 128×128 的潜空间被切成 (128/2)×(128/2)=4096 个 patch，每个 patch 变成一个 2048 维的 token，DiT 处理的就是这 4096 个 token 的序列。可以把这想象成把一幅画切成 4096 块拼图，每块装进一个信息包，Transformer 负责处理这些信息包之间的关系。

11.2 28 层 Block 的内部结构

每个 Transformer Block 有三个按顺序执行的子层。自注意力让 4096 个 token 互相「看」，捕捉画面里不同位置的空间关系，比如头发和肩膀的位置关系；交叉注意力让这 4096 个 token 去「看」来自 Adapter 的 512 个文本 token，把提示词的语义灌进生成过程；前馈网络（MLP）对每个 token 独立做非线性变换，增强表示能力，类似 Transformer 的 FFN，GPT-2 风格、GELU 激活。三个子层都带残差连接和 AdaLN 条件调制（见 11.4）。base 版有 28 层 Block，每层结构一样、参数独立。

11.3 位置编码：3D RoPE 与 NTK 外推

Transformer 本身是顺序无关的，它不知道 token 在画面哪个位置，得额外塞位置信息。Anima 用 3D RoPE（旋转位置编码），沿高、宽、时间三个维度分别编码位置。时间维在 Anima 里主要用于图像（T=1），但架构保留了视频扩展能力；高和宽两个维度各配独立旋转频率。另外 Anima 给 h/w 轴设了 4.0 倍的 NTK 外推倍率：训练时见到的最大分辨率是 1024²（对应 128×128 潜空间），推理时靠 RoPE 的 NTK 缩放，能外推到 1536² 甚至更高而不严重失真。位置编码好比给每块拼图贴上「第几行第几列」的标签，NTK 外推让这些标签在画面放大后依然定位得准。

11.4 条件调制：AdaLN-LoRA

扩散模型得知道「现在是去噪第几步」（时间步 t），才能决定去噪的强度和策略。Anima 的做法是，每个 Block 的三个子层前都放一个 AdaLN（自适应层归一化）调制模块，时间步 t 被编码成向量，过一个小网络生成 shift（偏移）、scale（缩放）、gate（门控）三个参数，作用在层归一化后的特征上。AdaLN-LoRA 特别在用了低秩设计，把调制参数压到 256 维低秩空间再投回来，既省参数又不失灵活。效果就是，时间步 t 靠这套机制告诉模型「现在还早，先画轮廓」或「到后期了，该补细节」。

11.5 稳定训练技巧：QK-Norm

Transformer 训练常有个毛病：注意力分数（Q 和 K 的点积）可能过大，导致梯度不稳。Anima 的解法是，算点积前分别对 Q、K 做 RMSNorm（均方根归一化），把模长控制在稳定范围。这是近几年 LLM 和 DiT 里验证有效的稳定化手段，让 Anima 大规模训练时更稳。

11.6 参数量估算

把官方权重文件（safetensors）直接拆开数了一遍：DiT 主干共 2,091,068,928 个参数，约 2.09B，和官方「2B」的口径一致。其中 28 个 Transformer Block 每层约 6,920 万参数，合计约 1.94B；剩下的约 1.5 亿参数是 PatchEmbed、时间步嵌入、Final Layer、T5 词表嵌入和 LLM Adapter 这些外围模块。把 Qwen3（5.96 亿）和 VAE（1.27 亿）也加进来，三个文件合计约 2.8B。作为参照，SDXL 的 U-Net 约 2.6B，两者量级相近，但架构完全不同。

第 12 章 VAE —— 16 通道潜在空间

章节说明：解释 VAE 的压缩/解压作用，以及 16 通道设计的技术含义。

12.1 VAE 的压缩与重建作用

VAE（变分自编码器）分编码器和解码器两块：编码器把输入图（3 通道 RGB，1024×1024）压成更小的潜在表示（16 通道，128×128），解码器再把潜在表示还原回像素空间。压缩倍率上，空间 8× 下采样（1024→128）、通道从 3 增到 16，总信息量大减，扩散模型才能在潜空间高效操作。有一点别误会，VAE 自己不「生成」新内容，它只是个还原度很高的编解码工具，压缩本身有损，只是肉眼基本看不出来。

12.2 技术规格

Qwen-Image VAE 的具体规格：

潜在空间的每个通道都有独立的均值（mean）和标准差（std），用于归一化和反归一化。

12.3 与 SDXL（4 通道 VAE）的差异

SDXL 的 VAE 是 4 通道，Anima 是 16 通道。16 通道意味着每个空间位置装的信息更丰富，DiT 首层投影的输入维度是 16×2×2=64（patch 2×2），末层反投影是 64→16。设计取向也不同：Anima 的 VAE 不含注意力层（attn_scales=[]），长程依赖全交给 DiT；SDXL 的 VAE 带注意力层，自身就有一点全局建模能力。这是两种架构的取舍，没有谁更好。Anima 的 DiT 已经扛了全局注意力，VAE 专心做压缩，分工更清楚。

第 13 章 Rectified Flow 流匹配与生成机制

章节说明：解释 Anima 的预测目标和生成框架跟传统 DDPM 有何不同，以及这种不同对 CFG、步数这些使用体验的实际影响。

13.1 预测目标：噪声 ε vs 速度场 v

扩散模型里有两个经常被当成一回事、其实是独立选择的维度：预测目标和生成框架。这一节先讲预测目标，生成框架放到 13.3。

预测目标，说的是模型训练时到底回归什么。主流两种。ε-prediction 预测加进去的噪声，给一张加了噪的图让模型猜里面混了多少噪声，采样时再减掉；v-prediction 预测速度场 v（v = α·ε − σ·x₀），给当前状态直接预测「往干净图方向该走多快、朝哪走」。

一个容易被搞反的先后关系：v-prediction 不是 Rectified Flow 带来的。它最早是 Salimans & Ho 在 2022 年 2 月的《Progressive Distillation》里、在 DDPM 离散框架内部提出的，本意是让蒸馏和 zero-SNR 训练时数值更稳；Rectified Flow 是同年 9 月才出现的另一个框架，只是它天然用速度场当训练目标。准确说是「Rectified Flow 沿用了更早的 v-prediction」，反过来讲就错了。

因为两个维度正交，DDPM 框架里既能预测 ε 也能预测 v。NoobAI-XL V-Pred 就是留在 DDPM 框架、只把目标从 ε 换成 v 的例子，还配了 zero-SNR 调度。ε-prediction 像在雾里找回家的路，每一步都在猜雾有多浓；v-prediction 像手里攥着一张直达地图，往哪走、走多远，抬手就能看到。总体上 v-prediction 数值更稳、采样路径更直接。

13.2 为什么 Anima 的 CFG 推荐 4–5（而 SDXL 要 7–9）

CFG（分类器自由引导）是在条件生成和无条件生成之间放大差值，来增强提示词的影响。ε-prediction 下，无条件和有条件预测的差异不大，得用高 CFG（7–9）才够引导强度，但太高容易过饱和、对比失真；v-prediction 下，速度场方向更明确，两种预测的差异天然更大，CFG 只要 4–5 就够，还不容易过饱和。这是预测目标带来的特性，不是 Anima 的「调校偏好」。

13.3 生成框架：离散 DDPM vs 连续流匹配

接着 13.1 说第二个维度，生成框架，也就是时间轴怎么走。传统 DDPM 把去噪离散成 1000 个整数步（t=0, 1, 2, …, 999），模型只在这 1000 个点上学习。Rectified Flow 用连续时间域 t ∈ [0, 1]，时间步可以取任意实数，模型靠学连续时间上的速度场来泛化到任意步长。好处是推理时想用几步就几步（10、20、30、50 都行），不用被训练时的离散步数绑住，步数越少越快，质量下降也平缓。

13.4 timestep 采样策略：anima_shift 分辨率自适应

训练时，时间步 t 的采样分布会影响模型在不同噪声强度下的表现。Anima 支持多种采样策略（uniform、sigmoid、shift、flux_shift），其中 anima_shift 是专门为分辨率自适应设计的。原理是，高分辨率图细节多，需要把更多「去噪预算」压在高噪声段，所以 anima_shift 会按当前训练图的分辨率动态调时间步采样分布：1024²（基准）时 α=1.0、偏移 0、分布不变；分辨率更高（如 1536²）时 α>1.0，采样分布往高时间步偏，模型在高噪声段练得更多。这样一来，Anima 能同时在多种分辨率上训练和推理，跨分辨率迁移也更好。

第 14 章 Anima vs SDXL —— 全面客观对比

章节说明：用一张大表和逐项讨论，客观呈现 Anima 与 SDXL 的异同。

14.1 架构对比一览表

14.2 各自的机制性优势

Anima 这边：文本理解上限高，Qwen3 的 512 token 能精确读复杂指令和长句，比 SDXL 双 CLIP 的 77×2 强太多；低 CFG 稳定，4–5 就有好引导，色彩对比更自然；步数弹性好，连续时间训练支持任意步数，Euler 30 步就有高质量；显式分辨率外推，RoPE + NTK + anima_shift 是一套可解释、可调的分辨率自适应机制；架构现代，纯 Transformer 方便复用 LLM 社区的优化工具。

SDXL 那边：生态成熟度碾压，ControlNet 全家桶、IP-Adapter、AnimateDiff、海量插件和工作流，社区资源最全；可控生成工具链完整，姿态、深度、线稿各类控制条件都有成熟实现；U-Net 卷积先验在多尺度特征上有天然的多分辨率感受野，极高分辨率（如 2048²）的扩展推理成本比 DiT 全局自注意力低；长期验证稳定，2023 年发布至今被海量用户踩过坑，训练推理的坑基本都填平了。

14.3 各自的机制性局限

Anima 这边：自注意力是二次方成本，4096 token 的全局注意力在高分辨率下 token 数暴涨（2048² 就是 16384 tokens），显存和算力开销大，靠 RoPE 外推而不是直接高分辨率训练；生态年轻，可控生成目前主要是 ControlNet-LLLite，覆盖远不如 SDXL；双分词器加 Adapter 多了层复杂度，LLM Adapter 依赖 T5 骨架，如果 T5 分词和目标提示词语义有偏差会引入损耗；信息瓶颈上，16 通道 VAE 加纯卷积设计，VAE 自己不建模长程依赖，全局关系全压给 DiT。

SDXL 那边：文本理解受限，CLIP 77 token 处理长提示词会截断、丢细节；高 CFG 副作用，7–9 容易过饱和、色彩溢出，得靠负向提示词和采样器技巧去调；分辨率外推没保障，U-Net 虽能跑任意分辨率，但高分辨率下易出重复纹理、结构崩塌，得靠外部高清修复流程兜底；架构接近寿命末端，U-Net + DDPM 已非当前 SOTA 方向，社区和厂商的关注在往 DiT、流匹配迁移。

附录（供读者随时查阅）

附录 A：术语表

附录 B：常见问题 FAQ

Q1：为什么生成结果和别人不一样？

A：生成结果由「提示词 + 参数 + 随机种子」共同决定。只要种子不同（默认 -1 随机），或任何参数、提示词有细微差异，结果就会不同。想复现某张图，需要完全相同的提示词、参数和种子。

Q2：Anima 能不能生成写实风格？

A：Anima 的训练数据以动漫/二次元风格为主，强项在动漫风格。靠提示词硬调也能出几张，但一般不如专门的写实模型，想写实建议直接换模型。

Q3：显存不足怎么办？

A：按优先级尝试：① 降低分辨率（1024→768→512）；② 降低批大小；③ 启动 ComfyUI 时加 --lowvram 或 --novram；④ 关闭其他占用显存的程序。

Q4：生成速度太慢怎么办？

A：① 减少采样步数（50→30）；② 换用 dpmpp_2m_sde_gpu 或 euler；③ 降低分辨率；④ 确认显卡驱动为最新版。

Q5：提示词写中文可以吗？

A：Anima 主要针对英文提示词训练，建议写英文。中文可以写，但理解和生成质量通常不如英文。可以用翻译工具先把中文需求译成英文。

Q6：报错「CUDA is not available」怎么办？

A：显卡驱动未安装或版本过低，去 NVIDIA 官网更新驱动后重试。

Q7：报错「CUDA out of memory」怎么办？

A：见 Q3，本质是显存不够。

Q8：报错「Checkpoint file not found」怎么办？

A：模型文件路径不正确，回看第四章，确认 DiT 放在 models/diffusion_models/ 下且文件名一致。

Q9：报错「Node type not found」怎么办？

A：工作流使用了未安装的自定义节点，去 ComfyUI Manager 安装对应缺失节点。

Q10：生成结果全黑或全灰怎么办？

A：大概率是 VAE 加载失败或连接错误，检查 VAE 节点是否连接正确、VAE 文件是否完整。

Q11：CFG 应该设多少？

A：Anima 推荐 4–5，远低于 SDXL 的 7–9。不要按 SDXL 的习惯去设。

Q12：采样步数设多少合适？

A：30–50 步性价比最高，超过 80 步基本无肉眼可见提升。

Q13：分辨率必须 1024×1024 吗？

A：不必。1024² 是原生训练分辨率、效果最稳。可以用其他尺寸，但 H 和 W 都必须能被 16 整除（VAE 8× 下采样 × DiT 2×2 patch = 16）。

Q14：可以用非正方形分辨率吗？

A：可以，如 1024×1536，只要两边都能被 16 整除即可。

Q15：正向和负向提示词都要写质量标签吗？

A：推荐都写。正向写 masterpiece, best quality，负向写 worst quality, low quality，双管齐下更稳定。

Q16：标签式提示词和句子式提示词哪个好？

A：Anima 两种都理解，且可混用。推荐「质量标签 + 主体标签 + 2–3 句自然语言描述」的混合写法。

Q17：权重语法 (word:1.3) 里的数字范围多少合适？

A：有效范围通常 0.5–1.5。Anima 对权重敏感度略低于 SDXL，从 1.2 开始试，必要时到 1.5。

Q18：LoRA 权重设多少？

A：通常 0.6–1.2 之间，太大会导致画面崩坏。

Q19：模型文件要下载几个？

A：三个：DiT 主干（~4.2GB）、文本编码器（~1.2GB）、VAE（~0.25GB）。

Q20：可以只下载一个文件就跑吗？

A：不能。Anima 需要三个组件协同工作，缺一不可。

Q21：AMD 显卡能用吗？

A：Anima 主要针对 NVIDIA（CUDA）优化，AMD 显卡需要额外配置，体验可能不如 NVIDIA。

Q22：生成的时候命令行窗口能关吗？

A：不能。那个窗口是 ComfyUI 的服务进程，关掉就等于停止服务。生成完、不再用的时候再关。

附录 C：官方资源汇总

• Hugging Face 模型仓库：https://huggingface.co/circlestone-labs/Anima
• ComfyUI 官方仓库：https://github.com/comfyanonymous/ComfyUI
• 官方 ComfyUI 工作流模板：Hugging Face 仓库 README.md 内的示例图片（拖拽导入）
• 官方推荐的在线体验与社区平台（摘自官方模型卡）：
• CivitAI 模型页：https://civitai.com/models/2458426/anima
• TensorArt：https://tensor.art/models/998619401697644790/Anima-Official-circlestone_labs-base-v1.0
• KusArt：https://kusart.com
• IMGNAI：https://imgnai.com/
• mage：https://www.mage.space/
• AliveAI：https://aliveai.app/
• DreamerLand：https://www.dreamerland.ai/
• 推荐社区工具：ComfyUI Manager（插件/工作流管理）、自制工作流分享站等

全文完