本教學共 14 章，外加三個附錄，分四步走。前兩章講原理和定位，先畫一張地圖，用大白話講清楚 AI 畫圖到底是怎麼回事，再引出 Anima 是什麼。第三到第六章是純實操，裝 ComfyUI、下模型、配工作流、出第一張圖，全程手把手。第七、八章練生成技巧，講參數怎麼調、提示詞怎麼寫，完成從「能出圖」到「能出好圖」的進階。最後六章拆模型架構，逐層講 Anima 是怎麼實現的，再用一張大表和 SDXL 做個對照。附錄放術語表、常見問題和資源連結，隨手查。
本章目標：用不超過 2500 字、零數學公式、全類比的方式，讓完全沒接觸過 AI 繪圖的新手理解「擴散模型是怎麼工作的」。不涉及任何具體模型，只講通用框架。
一個美術生是怎麼學會畫畫的？從小到大看成千上萬幅作品，一遍遍臨摹，畫得不像就重來。臨多了，慢慢摸出規律：眼睛該在臉的什麼位置，光從左邊打來陰影落在哪，什麼筆觸能畫出毛髮的質感。到最後不用參考圖，也能憑經驗畫出全新的東西。AI 畫圖模型走的是同一條路。它「看」了幾億張圖，記住的不是哪一張具體圖片，而是畫素排列的統計規律：什麼樣的畫素組合像頭髮、像天空、像人的眼睛。給它一段文字，它就能按這些規律重新組合出一張新圖。這裡有個誤解得先講清楚：AI 不是從相簿裡剪一塊拼上去，也不是在「抄襲」哪張已有的圖，它輸出的每一個畫素都是現場算出來的。
Anima 這類擴散模型的工作方式，可以拆成兩個完全相反的過程。訓練階段是一場「破壞與復原」的遊戲：取一張清晰圖，逐步往上加隨機噪聲，越加越多，直到整張圖變成一片雪花點，完全看不出原來是什麼；讓 AI 反覆看「從清晰到模糊」的每一步，它學到的就是逆向的規律，怎麼把模糊重新變清晰。生成階段反著來，從一張純噪聲圖起步，此時它腦子裡什麼都沒有，只靠輸入的文字提示，一步步去掉噪聲、還原出清晰畫面。每步只去掉一小點噪聲，就像從極度模糊慢慢對焦。整個過程可以想像成一段倒放影片：一張清晰照片先被打滿馬賽克，AI 再學著把馬賽克一層層揭掉。
這裡有個現實問題。如果直接在畫素層面動手，一張 1024×1024 的圖有 100 多萬個畫素點，按 RGB 三通道展開是 300 多萬個數值，每一步加噪去噪都要在這 300 萬個值上算，普通電腦扛不住。所以得「先壓縮、再創作、最後解壓」：先用一個壓縮器（VAE 編碼器）把圖片壓成小得多的特徵圖，加噪去噪都在這個壓縮後的潛空間裡完成，最後再用解壓器（VAE 解碼器）還原成高畫質圖。拿 Anima 說，它的 VAE 在空間上把 1024×1024 壓到 128×128，每邊縮小 8 倍、面積縮小 64 倍，同時用 16 個通道裝資訊。這麼一來，擴散模型真正要處理的潛空間表示只有 128×128×16，約 26 萬個數值，比原來的 314 萬畫素少了大約 12 倍。就像剪一個特別大的影片，先壓成小體積的代理檔案，剪完再渲染回高畫質，VAE 乾的就是壓縮和解壓這兩件事。
提示詞是文字，AI 處理的是數字，所以文字得先翻譯。文字編碼器（Text Encoder）把提示詞變成一串數字向量，叫語義嵌入，也叫條件向量。去噪的每一步，這些向量會通過一種叫交叉注意力（Cross-Attention）的機制，告訴擴散模型下一步該往哪個方向去噪、畫面裡該出現什麼。說白了，提示詞就是遞給 AI 的一張文字地圖，它每走一步都掏出地圖確認方向，免得跑偏，最後走到描述的目的地。
把上面四個環節串成一條流水線：
Kusa_OlxY文字提示詞 → 文字編碼器 → 語義向量
隨機噪聲（潛空間） + 語義向量 → 擴散模型逐步去噪 → 去噪完成後的潛空間特徵
潛空間特徵 → VAE 解碼器 → 最終高畫質圖片
所有主流 AI 繪圖模型都遵循這個框架，區別只在於每個環節用了什麼具體技術。Anima 也不例外，下一章就把它對號入座。
說實話，這一章是對真實過程的極度簡化，數學公式、具體的網路結構、取樣排程的細節、CFG 的計算方式，全都沒講。只想會上手，讀到這裡已經足夠；想弄懂具體實現的，第四部分會用同樣的大白話逐塊拆開講。
本章目標：承接第 1 章，把通用框架映射到 Anima 的具體元件上，讓讀者知道「Anima 就是按照這個框架做出來的模型」，形成整體認知。
Anima 是個文生圖模型，輸入文字，輸出動漫、二次元風格的圖片，由 circlestone-labs 和 Comfy Org 合作發布，權重放在 Hugging Face（circlestone-labs/Anima）。DiT 主幹有 20 層、28 層、36 層三種規格，官方主推的 2B 版是 28 層、約 2.1B 參數，技術基座是 NVIDIA Cosmos-Predict2 的 Text2Image 架構加 Rectified Flow 生成框架。官方按用途還發了三個版本：Base 是預訓練底模，Aesthetic 是品質微調版，Turbo 是蒸餾加速版、CFG 1 加 8–12 步就能出圖，新手建議從 Turbo 上手。
把第 1 章的通用概念和 Anima 的具體實現一一對上：
| 通用概念 | Anima 的具體元件 |
|---|---|
| 文字編碼器（把文字翻譯成向量） | Qwen3-0.6B（基於現代大語言模型的編碼器，支援 512 token 長上下文） |
| 文字適配橋接（可選） | LLM Adapter（6 層 Transformer，把 Qwen3 的語義空間映射到擴散模型能理解的空間） |
| 潛空間壓縮器（VAE 編碼器） | Qwen-Image VAE（16 通道輸出，空間 8× 壓縮） |
| 潛空間解壓器（VAE 解碼器） | Qwen-Image VAE（與編碼器對稱） |
| 擴散去噪主幹（在潛空間操作的核心網路） | DiT（Diffusion Transformer），28 層 Transformer，2048 維隱藏狀態，16 個注意力頭 |
| 去噪方式 / 訓練目標 | Rectified Flow（流匹配），採用速度場預測（v-prediction），而非傳統 DDPM 的噪聲預測（ε-prediction） |
| 取樣排程器 | FlowMatchEulerDiscreteScheduler，連續時間 [0, 1] 區間，推薦步數 30–50 |
Anima 的自然語言理解能力明顯更強。Qwen3 是正經的大語言模型，512 token 上下文能準確讀懂複雜長提示詞，把 SDXL 的 CLIP（77 token×2）甩開一大截。它在低 CFG 下也很穩，Rectified Flow 框架下 CFG 只要 4–5，遠低於 SDXL 的 7–9，出圖不容易過飽和。少步數也能用，Euler 取樣器跑 30 步就有高品質輸出，不用依賴高階取樣器。它還能把解析度往外推，1536² 直接就能跑。
本部分目標：讓完全沒接觸過 ComfyUI 的讀者，在 30–40 分鐘內完成安裝、下載、配置並生成第一張 Anima 圖。不講原理，只教操作。
章節說明：ComfyUI 是執行 Anima 最可靠、官方最推薦的圖形介面。本章教讀者從零安裝。
ComfyUI 是一個節點式的 AI 繪畫軟體，通過連線一個個功能模組（節點）來搭建生成工作流。選它是因為 Anima 官方原生支援，社群工作流最豐富，視訊記憶體最佳化也最好。
官方 GitHub 倉庫地址是 https://github.com/comfyanonymous/ComfyUI。Windows 使用者推薦下載 ComfyUI_windows_portable_nvidia.7z（NVIDIA 顯示卡首選，自帶 Python 環境和依賴，解壓即用；AMD / Intel 顯示卡選對應的 amd / intel 版本）。Mac、Linux 使用者在倉庫頁面找對應的安裝說明。不建議從非官方來源下載，安全第一。
下載後解壓到任意位置，路徑最好別帶中文和空格，比如 D:\ComfyUI。解壓完，目錄裡幾個資料夾的用途如下：
| 資料夾 | 用途 |
|---|---|
| models/ | 存放所有模型檔案（DiT、VAE、文字編碼器、LoRA 等） |
| custom_nodes/ | 存放第三方擴充套件外掛 |
| output/ | 生成的圖片預設儲存位置 |
| input/ | 輸入圖片（如用於圖生圖）存放位置 |
Windows 下雙擊 run_nvidia_gpu.bat 啟動（NVIDIA 顯示卡），沒獨顯就用 run_cpu.bat。啟動時命令列視窗會彈出、滾動刷日誌，這很正常，先不要關。當末尾出現 http://127.0.0.1:8188 就說明啟動成功了。開啟瀏覽器，位址列輸入這個地址回車，看到介面就算成。
CUDA is not available：顯示卡驅動沒裝或版本太低，去 NVIDIA 官網更新驅動。Out of memory：視訊記憶體不夠，啟動參數加 --lowvram 或 --novram 試試。No module named 'torch'：Python 環境依賴缺失，重新解壓便攜版或執行 install.py。章節說明：Anima 不是單個檔案就能跑，它需要三個獨立元件協同工作。本章讓讀者清楚知道「需要下載什麼」「放在哪裡」。
| # | 檔案 | 作用 | 大小預估 |
|---|---|---|---|
| 1 | DiT 主幹（anima-base-v1.0.safetensors） | 負責核心的去噪生成過程，是最大的檔案 | 約 4.2 GB |
| 2 | 文字編碼器（qwen_3_06b_base.safetensors） | 把提示詞翻譯成 AI 能理解的語義向量 | 約 1.2 GB |
| 3 | VAE（qwen_image_vae.safetensors） | 潛空間與畫素空間之間的壓縮與解壓 | 約 0.25 GB |
官方倉庫地址是 https://huggingface.co/circlestone-labs/Anima。開啟頁面點 Files 標籤，在檔案列表裡找到上面三個 .safetensors，逐個點右邊的下載按鈕（↓）。網慢的話可以用 Hugging Face 映象站，或者 huggingface_hub 命令列。注意別下無關檔案（.gitattributes、README.md 這些），只下三個 .safetensors。
以解壓後的 ComfyUI 根目錄為 ComfyUI/，三個檔案分別放到：
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/ 下如果沒有 diffusion_models/ 或 text_encoders/ 資料夾，手動建一個就行。
重啟 ComfyUI（關掉命令列視窗再雙擊 .bat），在啟動日誌裡搜檔名。看到 Loading diffusion model: anima-base-v1.0.safetensors 且沒報錯，就對了。要是出現 File not found 或 No such file，查一下路徑是不是寫錯、檔名有沒有多餘字尾。
章節說明：有了模型檔案，還得有個「工作流」告訴 ComfyUI 怎麼把這些檔案連起來。本章教讀者獲取官方工作流並載入。
工作流是個 .json 檔案，記錄了所有節點的位置、連線和參數。模型檔案是食材，工作流是菜譜，沒有菜譜，食材堆那兒也不知道怎麼做。ComfyUI 有個貼心功能：能把工作流直接嵌進生成的圖片裡，所以把別人生成的圖拖進來，對應的完整工作流就會自動載入。
README.md 頁面裡找到官方示例圖，直接拖進 ComfyUI 介面即可匯入工作流。以「拖圖片匯入」為例：開啟 ComfyUI，把官方示例圖拖到工作區鬆手，工作流自動彈出。然後檢查三個模型節點指向的檔案對不對：「Load Diffusion Model」應顯示 anima-base-v1.0.safetensors，「Load Text Encoder」應顯示 qwen_3_06b_base.safetensors，「Load VAE」應顯示 qwen_image_vae.safetensors。不對的話，點節點上的檔案選擇框重選。
章節說明：萬事俱備，本章讓讀者真正按下生成按鈕，看到自己的第一張 Anima 作品，這是整個教學裡最有成就感的一步。
在工作流裡找到「CLIP Text Encode (Prompt)」節點（正向提示詞節點），文字框裡輸入下面這段，直接複製即可：
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
這段的大意是：一個白頭髮、藍眼睛的女學生坐在咖啡廳裡。不用逐詞翻譯，知道這是「一個人物加場景的描述」就行。
找到「CLIP Text Encode (Prompt)」節點裡帶 negative 標識的那個（負向提示詞節點），輸入：
worst quality, low quality, score_1, score_2, score_3, artist name, blurry, jpeg artifacts, chromatic aberration
負向提示詞的作用是告訴 AI 要排除什麼，比如低畫質、低分、模糊、JPEG 偽影、色差這些。
1024 x 1024，批大小（Batch Size）設 1（一次只出一張）。30、CFG（CFG Scale）5.0、取樣器（Sampler）euler、排程器（Scheduler）normal 或 simple。點介面右側的「Queue Prompt」（或按 Ctrl+Enter），盯著命令列視窗的進度條，等 10–30 秒（看顯示卡效能）。出圖後，圖片會出現在工作區的輸出節點裡，右鍵能存到本地，ComfyUI/output/ 資料夾裡也能找到。到這一步，第一張 Anima 圖就完成了。
models/diffusion_models/ 下。--lowvram。qwen_image_vae.safetensors 覆蓋。本部分目標：讀者已經能出圖，但可能「隨機性很強，不知道怎麼控制」。本部分通過對比圖講清每個參數的作用，並教會讀者用提示詞精準控制畫面。
章節說明：本章每一節都配並排對比圖（同一種子、只變一個量），讓讀者直觀看到參數對畫面的影響。
解析度就是輸出圖片的長寬畫素數。Anima 官方支援 512² 到 1536²，原生訓練解析度是 1024×1024，建議以它為基準：512×512 會糊、丟細節，768×768 能用但偏軟，1024×1024 是甜點位，1536×1536 細節最足但吃視訊記憶體。視訊記憶體和解析度是平方關係，解析度翻一倍，畫素數翻四倍。長寬比可以改，比如 1024×1536 這種豎圖，但 H 和 W 都得能被 16 整除，這是 Anima 的結構約束（VAE 空間 8× 下采樣，DiT 再按 2×2 切 patch，合起來 8×2=16）。
取樣步數就是去噪迭代的次數，每步去掉一點噪聲。同一提示詞在不同步數下差別挺明顯：10 步畫面糊、結構不全；20 步基本成形但細節糙；30 步清晰銳利、細節足，是推薦起步值；50 步提升有限，邊際收益遞減。所以 30–50 步最划算，超過 80 步肉眼基本看不出差別，純屬多等。
CFG 控制模型「聽提示詞的程度」。數值越高，畫面越貼提示詞，但容易過飽和、顏色失真；越低，模型越自由，可能跑偏。同一提示詞在不同 CFG 下：1.0 基本不理提示詞，畫面隨機；3.0 大致照著來但偏平淡；5.0 是平衡點，畫質和相關性都好（Anima 推薦值）；7.0 顏色加深、對比增強，可能輕微過飽和；10.0 顏色過猛，可能出偽影或畫風突變。這裡要特別提醒一句：Anima 推薦 CFG 是 4–5，比 SDXL 的 7–9 低不少，這是 Rectified Flow 框架的特性，照搬 SDXL 的調參習慣會把顏色推過頭。
取樣器決定去噪的「行走路徑」，不同取樣器在步數和品質之間做不同取捨。不用全列，Anima 上幾個常用的：er_sde 是作者自己推薦的預設，風格中性、色塊平、線條利落；euler 稍多點創意，配 Turbo、Aesthetic 這種本來就穩的版本不錯；euler_a（Euler Ancestral）帶隨機性，畫面更有靈氣，但同一種子每次結果略有不同；dpmpp_2m_sde_gpu 收斂快、品質高。具體選哪個，對比 30 步下的出圖即可。
隨機種子決定初始噪聲圖的「隨機序列號」。同一種子加完全相同的參數，出的圖就完全一致，可復現。固定種子的用處在於：調出一個不錯的構圖後，想微調提示詞或參數時，鎖住種子就能控制變數、方便對比。隨機種子（-1）則每次都從不同噪聲起步，結果各不相同。演示時用同一提示詞、同一參數、不同種子（1、2、3）各出一張，能明顯看出構圖和細節的差異。
LoRA 一句話說是個輕量的「附加模組」，能給底模加畫風、角色或概念，不用重訓整個大模型。用法也簡單：把 .safetensors 格式的 LoRA 放進 ComfyUI/models/loras/，工作流里加一個「Load LoRA」節點，接到擴散模型和取樣器之間，再調 LoRA 權重（一般 0.6–1.2，太大畫面會崩）。本章只講怎麼用現成的 LoRA，不涉及訓練方法。
章節說明：Anima 的訓練資料融合了 Danbooru 風格標籤和自然語言描述，所以提示詞既有標籤的規則，又有句子的靈活。本章系統講這兩種寫法。
簡單交代下背景：Anima 的訓練集裡有幾百萬張動漫圖和約 80 萬張非動漫藝術圖，動漫知識截止到 2025 年 9 月。每張動漫圖都配了 Danbooru 社群風格的標籤（如 1girl、blue_hair）和人工寫的自然語言描述，所以它既聽得懂標籤，也聽得懂句子，還能混著用。另外還混了兩個非動漫資料集 LAION-POP 和 DeviantArt，用「資料集標籤」區分。
標籤用小寫英文字母，之間用英文逗號加空格隔開（, ）；多詞標籤用空格不用下劃線，比如 school uniform 而不是 school_uniform，唯一的例外是 score 標籤（score_9 這類）用下劃線。示例：1girl, white hair, blue eyes, school uniform, sitting, coffee shop。順序上官方建議按「品質/元資訊 → 主體（1girl 等）→ 角色 → 系列 → 畫師 → 通用標籤」的大致順序排，段內順序隨意。
Anima 的訓練資料裡有兩套品質評價，寫的時候可以二選一，也可以混用。人工評級標籤從高到低：masterpiece（傑作）、best quality（最佳品質）、good quality（良好品質）、normal quality（普通品質）、low quality（低品質）、worst quality（最差品質）。PonyV7 美學模型評分標籤從高到低：score_9、score_8、score_7……score_1。官方推薦的正向字首是 masterpiece, best quality, score_7, safe（實際使用時結尾帶上英文逗號再接其他標籤），負向開頭寫 worst quality, low quality, score_1, score_2, score_3。正負向都寫品質標籤，是因為一個告訴模型要什麼品質，一個告訴它排除什麼品質，兩頭一夾更穩。
Anima 支援用特定格式呼叫訓練資料裡出現過的畫師風格：提示詞里加 @畫師名，比如 @wanwan。注意這個 @ 必須加，不加效果會弱很多；加權重 (@wanwan:1.2) 則增強這個畫風的影響。畫師標籤靈不靈，取決於訓練資料裡該畫師的作品多不多，不是每個名字都有效。
畫師名可以是帶空格的多個詞，官方模型卡的示例提示詞裡就有 @nnn yryr 這樣的實際用例。想驗證某個畫師標籤靈不靈，最快的辦法是鎖住種子，分別生成「帶 @畫師名」和「不帶」的兩張圖對比。另外畫師標籤的位置很自由，放在自然語言描述的開頭也有效，比如 masterpiece, best quality, @畫師名. An anime girl with...。如果想要的畫風在畫師標籤裡實在找不到，還有個退路：去 CivitAI 等社群找現成的 Anima 風格 LoRA，官方就給過一個附帶資料集和訓練配置的風格 LoRA 示例（https://civitai.com/models/2536147），照著它也能自己訓一個。
除了標籤，Anima 也聽得懂完整英文句子，建議正向提示詞裡至少放 2–3 句完整描述。推薦的寫法是按從全域性到局部的順序分層：先寫全域性品質標籤，再寫主體（角色是誰、長什麼樣、穿什麼、在幹什麼），接著寫環境和細節（什麼場景、背景有什麼、光線如何），最後寫氛圍情緒（溫暖、清冷、夢幻還是緊張）。套用第六章的提示詞，擴成句子就是這樣：
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
同一個主題，可以對比純標籤、純句子、混著寫三種寫法的出圖差異。
想強調或弱化某個元素，可以用權重語法 (關鍵詞:權重)：大於 1 是增強，小於 1 是減弱。比如 (white hair:1.3) 逼模型出白髮，(coffee:0.8) 讓咖啡別太搶眼。有一點要注意，Anima 對權重的敏感度比 SDXL 低，得給更大的值才到同等效果，官方示例甚至用 (chibi:2)，所以權重可以放心往大試，不必照 SDXL 的習慣停在 1.5。
拿「一個女孩在花園裡」這個主題，看提示詞怎麼一步步進化：
a girl in a garden → 畫面空泛，缺細節，品質一般。masterpiece, best quality, score_7, safe, a girl in a garden → 畫質提升，但內容還是籠統。masterpiece, best quality, 1girl, white dress, long brown hair, standing in a rose garden, holding a bouquet, soft sunlight, pink flowers → 畫面具體化，元素豐富。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 → 最終版畫面精緻、氛圍到位。每步配一張對應生成圖，一眼就能看出「提示詞越具體，畫面越好」。
除了品質和畫師，Anima 還認幾類標籤。時間標籤：具體年份用 year 2025、year 2024 這種，也可以按畫風新舊用 newest、recent、mid、early、old。安全標籤：safe、sensitive、nsfw、explicit，用來控制內容尺度，官方推薦的正向字首裡就帶了 safe，想避免意外內容就把它加進正向。資料集標籤：模型額外用 LAION-POP 和 DeviantArt 兩個非動漫資料集訓練過，這類資料的描述開頭會帶一個數據集標籤（ye-pop 或 deviantart）加換行，普通使用者一般用不到，知道有這麼回事就行。
本部分目標：面向想深入理解 Anima 原理的讀者，用通俗但嚴謹的語言逐模組拆解。術語首次出現都給「人話」解釋，不堆公式，但技術細節保持準確。
章節說明：以一張完整資料流圖為核心，讓讀者先看到全景，後續章節再逐塊深入。
從「輸入提示詞」到「輸出圖片」的完整流程，標出所有關鍵模組和資料形狀：
使用者提示詞（文字）
→ Qwen3 分詞器 + T5 分詞器（雙路輸入）
→ Qwen3-0.6B 文字編碼器（輸出語義向量 512×1024）
→ LLM Adapter（6層Transformer橋，融合T5骨架，輸出 crossattn_emb 512×1024）
→ 隨機噪聲（潛空間 16×128×128）+ 噪聲時間步 t
→ DiT 主幹（28層Transformer，逐層注入crossattn_emb，預測速度場 v）
→ 多次迭代去噪（Rectified Flow 取樣器）
→ VAE 解碼器（把 16×128×128 解壓回 3×1024×1024 RGB圖片）
→ 最終生成的圖片
流程圖裡用不同顏色標出「訓練時固定的部分」（如 Qwen3）和「推理時動態變化的部分」（如噪聲）。
| 模組 | 一句話職責 |
|---|---|
| Qwen3-0.6B 文字編碼器 | 把文字提示詞翻譯成語義向量（凍結，不參與訓練） |
| LLM Adapter | 把 Qwen3 的語義「橋接」到擴散模型能相容的空間（6層Transformer） |
| DiT 主幹 | 核心生成網路，在潛空間完成去噪（28層，約2.1B參數） |
| VAE | 壓縮/解壓圖像，讓擴散模型在低維空間高效操作（16通道，8×壓縮） |
| Rectified Flow 取樣器 | 控制去噪路徑和步長，決定最終輸出品質 |
章節說明：詳細拆解「提示詞是怎麼被模型理解的」這條上游鏈路。
SDXL 這類傳統模型用 CLIP 做文字編碼器，上下文視窗只有 77 個 token，也就是大概只能看 77 個英文單詞，長提示詞會被截斷，資訊丟得厲害。Anima 改用 Qwen3-0.6B，一個真正的現代大語言模型，上下文視窗 512 token，能完整讀複雜的、結構化的長句。差別在哪？寫「一個穿白連衣裙、戴紅圍巾、站在花園裡、手拿一束粉玫瑰、陽光從樹葉間灑下來的女孩」，CLIP 可能只抓到「女孩」「花園」「玫瑰」，Qwen3 能理清所有細節之間的關係。
Anima 訓練時，Qwen3-0.6B 的參數是凍結的，也就是訓練過程不更新它的權重。原因是 Qwen3 早在大規模文字語料上預訓練好了，語義理解夠強，凍結它既省訓練視訊記憶體，又防止模型把學到的語言知識「忘掉」。所以實際訓練只更新 DiT 主幹和 LLM Adapter 的少量參數。
先說動機。Anima 的基礎架構 Cosmos-Predict2 當初是為 T5 文字編碼器最佳化的，cross-attention 層期望輸入 1024 維的 T5 風格向量。Qwen3 輸出的維度剛好也是 1024，維數對得上，但語義分佈和 T5 不一樣，直接塞進去效果差。於是中間插了一個可訓練的 6 層 Transformer「橋」，叫 LLM Adapter。它的做法是：拿 T5 分詞器生成的 token 序列（512 個 token id）當「骨架」，拿 Qwen3 的輸出當「語義來源」，用交叉注意力把 Qwen3 的語義逐 token 寫進 T5 骨架，最後輸出 DiT 要的 512×1024 條件向量。打個比方，Qwen3 是會外語的翻譯官，Adapter 是口譯員，把外語翻成 DiT 聽得懂的本地話。
Anima 的文字編碼管線同時用兩個分詞器：Qwen3 分詞器把提示詞切成 Qwen3 能懂的 token，送進 Qwen3 拿語義嵌入；T5 分詞器把同一段提示詞切成 T5 格式的 token，作為 Adapter 的骨架輸入。要兩個分詞器的原因是，Adapter 需要 T5 骨架當「槽位」，語義內容從 Qwen3 填進來，這是工程上的橋接做法，不是設計冗餘。訓練時兩個分詞器都不更新，只有 Adapter 學怎麼把 Qwen3 的語義映射到 T5 骨架裡。
章節說明：本章深入 Anima 最核心的生成網路，解釋「Transformer 怎麼用來畫畫」。
直接處理畫素很難。一張 1024×1024 的圖有 300 多萬個值，Transformer 自注意力的複雜度是 O(n²)，啃不動這麼大的序列。解決辦法（和 VAE 壓縮還不一樣）是 PatchEmbed：把潛空間特徵（16×128×128）按 2×2 的空間塊切，每塊 16×2×2=64 個值，展平後過一層線性投影到 2048 維（實現裡還會拼上少量填充通道，投影輸入實際是 68 維）。結果 128×128 的潛空間被切成 (128/2)×(128/2)=4096 個 patch，每個 patch 變成一個 2048 維的 token，DiT 處理的就是這 4096 個 token 的序列。可以把這想像成把一幅畫切成 4096 塊拼圖，每塊裝進一個資訊包，Transformer 負責處理這些資訊包之間的關係。
每個 Transformer Block 有三個按順序執行的子層。自注意力讓 4096 個 token 互相「看」，捕捉畫面裡不同位置的空間關係，比如頭髮和肩膀的位置關係；交叉注意力讓這 4096 個 token 去「看」來自 Adapter 的 512 個文字 token，把提示詞的語義灌進生成過程；前饋網路（MLP）對每個 token 獨立做非線性變換，增強表示能力，類似 Transformer 的 FFN，GPT-2 風格、GELU 啟用。三個子層都帶殘差連線和 AdaLN 條件調變（見 11.4）。base 版有 28 層 Block，每層結構一樣、參數獨立。
Transformer 本身是順序無關的，它不知道 token 在畫面哪個位置，得額外塞位置資訊。Anima 用 3D RoPE（旋轉位置編碼），沿高、寬、時間三個維度分別編碼位置。時間維在 Anima 裡主要用於圖像（T=1），但架構保留了影片擴充套件能力；高和寬兩個維度各配獨立旋轉頻率。另外 Anima 給 h/w 軸設了 4.0 倍的 NTK 外推倍率：訓練時見到的最大解析度是 1024²（對應 128×128 潛空間），推理時靠 RoPE 的 NTK 縮放，能外推到 1536² 甚至更高而不嚴重失真。位置編碼好比給每塊拼圖貼上「第幾行第幾列」的標籤，NTK 外推讓這些標籤在畫面放大後依然定位得準。
擴散模型得知道「現在是去噪第幾步」（時間步 t），才能決定去噪的強度和策略。Anima 的做法是，每個 Block 的三個子層前都放一個 AdaLN（自適應層歸一化）調變模組，時間步 t 被編碼成向量，過一個小網路生成 shift（偏移）、scale（縮放）、gate（門控）三個參數，作用在層歸一化後的特徵上。AdaLN-LoRA 特別在用了低秩設計，把調變參數壓到 256 維低秩空間再投回來，既省參數又不失靈活。效果就是，時間步 t 靠這套機制告訴模型「現在還早，先畫輪廓」或「到後期了，該補細節」。
Transformer 訓練常有個毛病：注意力分數（Q 和 K 的點積）可能過大，導致梯度不穩。Anima 的解法是，算點積前分別對 Q、K 做 RMSNorm（均方根歸一化），把模長控制在穩定範圍。這是近幾年 LLM 和 DiT 裡驗證有效的穩定化手段，讓 Anima 大規模訓練時更穩。
把官方權重檔案（safetensors）直接拆開數了一遍：DiT 主幹共 2,091,068,928 個參數，約 2.09B，和官方「2B」的口徑一致。其中 28 個 Transformer Block 每層約 6,920 萬參數，合計約 1.94B；剩下的約 1.5 億參數是 PatchEmbed、時間步嵌入、Final Layer、T5 詞表嵌入和 LLM Adapter 這些外圍模組。把 Qwen3（5.96 億）和 VAE（1.27 億）也加進來，三個檔案合計約 2.8B。作為參照，SDXL 的 U-Net 約 2.6B，兩者量級相近，但架構完全不同。
章節說明：解釋 VAE 的壓縮/解壓作用，以及 16 通道設計的技術含義。
VAE（變分自編碼器）分編碼器和解碼器兩塊：編碼器把輸入圖（3 通道 RGB，1024×1024）壓成更小的潛在表示（16 通道，128×128），解碼器再把潛在表示還原回畫素空間。壓縮倍率上，空間 8× 下采樣（1024→128）、通道從 3 增到 16，總資訊量大減，擴散模型才能在潛空間高效操作。有一點別誤會，VAE 自己不「生成」新內容，它只是個還原度很高的編解碼工具，壓縮本身有損，只是肉眼基本看不出來。
Qwen-Image VAE 的具體規格：
| 項 | 值 |
|---|---|
| 基礎通道數 | 96 |
| 通道倍增配置 | [1, 2, 4, 4]，即各層輸出通道為 96、192、384、384 |
| 殘差塊數 | 每層 2 個 |
| 注意力模組 | 無（attn_scales=[]），是純卷積 VAE |
| 潛在空間通道數 | 16（z_dim=16） |
| 時間維下采樣 | 支援影片但圖像場景 T=1 不受影響 |
潛在空間的每個通道都有獨立的均值（mean）和標準差（std），用於歸一化和反歸一化。
SDXL 的 VAE 是 4 通道，Anima 是 16 通道。16 通道意味著每個空間位置裝的資訊更豐富，DiT 首層投影的輸入維度是 16×2×2=64（patch 2×2），末層反投影是 64→16。設計取向也不同：Anima 的 VAE 不含注意力層（attn_scales=[]），長程依賴全交給 DiT；SDXL 的 VAE 帶注意力層，自身就有一點全域性建模能力。這是兩種架構的取捨，沒有誰更好。Anima 的 DiT 已經扛了全域性注意力，VAE 專心做壓縮，分工更清楚。
章節說明：解釋 Anima 的預測目標和生成框架跟傳統 DDPM 有何不同，以及這種不同對 CFG、步數這些使用體驗的實際影響。
擴散模型裡有兩個經常被當成一回事、其實是獨立選擇的維度：預測目標和生成框架。這一節先講預測目標，生成框架放到 13.3。
預測目標，說的是模型訓練時到底迴歸什麼。主流兩種。ε-prediction 預測加進去的噪聲，給一張加了噪的圖讓模型猜裡面混了多少噪聲，取樣時再減掉；v-prediction 預測速度場 v（v = α·ε − σ·x₀），給目前狀態直接預測「往乾淨圖方向該走多快、朝哪走」。
一個容易被搞反的先後關係：v-prediction 不是 Rectified Flow 帶來的。它最早是 Salimans & Ho 在 2022 年 2 月的《Progressive Distillation》裡、在 DDPM 離散框架內部提出的，本意是讓蒸餾和 zero-SNR 訓練時數值更穩；Rectified Flow 是同年 9 月才出現的另一個框架，只是它天然用速度場當訓練目標。準確說是「Rectified Flow 沿用了更早的 v-prediction」，反過來講就錯了。
因為兩個維度正交，DDPM 框架裡既能預測 ε 也能預測 v。NoobAI-XL V-Pred 就是留在 DDPM 框架、只把目標從 ε 換成 v 的例子，還配了 zero-SNR 排程。ε-prediction 像在霧裡找回家的路，每一步都在猜霧有多濃；v-prediction 像手裡攥著一張直達地圖，往哪走、走多遠，抬手就能看到。總體上 v-prediction 數值更穩、取樣路徑更直接。
CFG（分類器自由引導）是在條件生成和無條件生成之間放大差值，來增強提示詞的影響。ε-prediction 下，無條件和有條件預測的差異不大，得用高 CFG（7–9）才夠引導強度，但太高容易過飽和、對比失真；v-prediction 下，速度場方向更明確，兩種預測的差異天然更大，CFG 只要 4–5 就夠，還不容易過飽和。這是預測目標帶來的特性，不是 Anima 的「調校偏好」。
接著 13.1 說第二個維度，生成框架，也就是時間軸怎麼走。傳統 DDPM 把去噪離散成 1000 個整數步（t=0, 1, 2, …, 999），模型只在這 1000 個點上學習。Rectified Flow 用連續時間域 t ∈ [0, 1]，時間步可以取任意實數，模型靠學連續時間上的速度場來泛化到任意步長。好處是推理時想用幾步就幾步（10、20、30、50 都行），不用被訓練時的離散步數綁住，步數越少越快，品質下降也平緩。
訓練時，時間步 t 的取樣分佈會影響模型在不同噪聲強度下的表現。Anima 支援多種取樣策略（uniform、sigmoid、shift、flux_shift），其中 anima_shift 是專門為解析度自適應設計的。原理是，高解析度圖細節多，需要把更多「去噪預算」壓在高噪聲段，所以 anima_shift 會按目前訓練圖的解析度動態調時間步取樣分佈：1024²（基準）時 α=1.0、偏移 0、分佈不變；解析度更高（如 1536²）時 α>1.0，取樣分佈往高時間步偏，模型在高噪聲段練得更多。這樣一來，Anima 能同時在多種解析度上訓練和推理，跨解析度遷移也更好。
章節說明：用一張大表和逐項討論，客觀呈現 Anima 與 SDXL 的異同。
| 維度 | Anima（Anima-base） | SDXL |
|---|---|---|
| 主幹類型 | DiT（純 Transformer） | U-Net（CNN + 注意力） |
| 主幹參數量 | ≈ 2.09B（28 層 × 2048 維） | ≈ 2.6B（U-Net） |
| 主幹處理方式 | 4096 tokens @ 1024²（patch 2×2） | 64×64×4 = 16384 潛空間特徵 @ 1024² |
| 生成框架 | Rectified Flow（v-prediction） | DDPM（ε-prediction） |
| 時間域 | 連續 [0, 1] | 離散 1000 步 |
| 噪聲排程 | 線性插值（流匹配） | 固定 β 排程 |
| 文字編碼器 | Qwen3-0.6B（單編碼器） | OpenCLIP ViT-bigG + ViT-L（雙編碼器） |
| 文字 token 數 | 512（Qwen3）+ 512（T5 骨架） | 77 + 77 = 154 |
| 文字注入方式 | Adapter 橋 → cross-attn（每 block） | 雙編碼器輸出 concat → cross-attn + pooled → adaGN |
| 文字橋模組 | 6 層 Transformer（≈134M） | 無 |
| 潛在通道 | 16 通道，8× 壓縮 | 4 通道，8× 壓縮 |
| VAE 類型 | Qwen-Image VAE（純卷積，無注意力） | SDXL KL-VAE（含注意力） |
| 位置編碼 | 3D RoPE + NTK 外推（h/w 4.0×） | 無（卷積平移不變） |
| 注意力歸一化 | QK-Norm（RMSNorm）+ RoPE（僅 self） | 標準 MHA，無 QK-norm |
| 條件調變 | AdaLN-LoRA（shift/scale/gate，256維低秩） | adaGN（時間嵌入 shift/scale） |
| 歸一化方式 | LayerNorm（無 affine）+ RMSNorm | GroupNorm |
| 推薦取樣器 | Euler / dpmpp_2m_sde_gpu | DDIM / DPM++ |
| 推薦步數 | 30–50 | 30–50 |
| 推薦 CFG | 4–5 | 7–9 |
| 原生解析度 | 512²–1536²（H/W 需被 16 整除） | 1024²（H/W 需被 64 整除） |
| 解析度外推 | RoPE NTK 外推（顯式機制） | U-Net 天然任意解析度但品質隨尺寸下降 |
| 生態成熟度 | 較新，生態成長中 | 成熟，全網最完整生態 |
Anima 這邊：文字理解上限高，Qwen3 的 512 token 能精確讀複雜指令和長句，比 SDXL 雙 CLIP 的 77×2 強太多；低 CFG 穩定，4–5 就有好引導，色彩對比更自然；步數彈性好，連續時間訓練支援任意步數，Euler 30 步就有高品質；顯式解析度外推，RoPE + NTK + anima_shift 是一套可解釋、可調的解析度自適應機制；架構現代，純 Transformer 方便複用 LLM 社群的最佳化工具。
SDXL 那邊：生態成熟度碾壓，ControlNet 全家桶、IP-Adapter、AnimateDiff、海量外掛和工作流，社群資源最全；可控生成工具鏈完整，姿態、深度、線稿各類控制條件都有成熟實現；U-Net 卷積先驗在多尺度特徵上有天然的多解析度感受野，極高解析度（如 2048²）的擴充套件推理成本比 DiT 全域性自注意力低；長期驗證穩定，2023 年發布至今被海量使用者踩過坑，訓練推理的坑基本都填平了。
Anima 這邊：自注意力是二次方成本，4096 token 的全域性注意力在高解析度下 token 數暴漲（2048² 就是 16384 tokens），視訊記憶體和算力開銷大，靠 RoPE 外推而不是直接高解析度訓練；生態年輕，可控生成目前主要是 ControlNet-LLLite，覆蓋遠不如 SDXL；雙分詞器加 Adapter 多了層複雜度，LLM Adapter 依賴 T5 骨架，如果 T5 分詞和目標提示詞語義有偏差會引入損耗；資訊瓶頸上，16 通道 VAE 加純卷積設計，VAE 自己不建模長程依賴，全域性關係全壓給 DiT。
SDXL 那邊：文字理解受限，CLIP 77 token 處理長提示詞會截斷、丟細節；高 CFG 副作用，7–9 容易過飽和、色彩溢位，得靠負向提示詞和取樣器技巧去調；解析度外推沒保障，U-Net 雖能跑任意解析度，但高解析度下易出重複紋理、結構崩塌，得靠外部高清修復流程兜底；架構接近壽命末端，U-Net + DDPM 已非目前 SOTA 方向，社群和廠商的追蹤在往 DiT、流匹配遷移。
| 術語 | 人話解釋 |
|---|---|
| DiT | Diffusion Transformer，用 Transformer 做擴散生成的主幹網路 |
| VAE | 變分自編碼器，負責圖像的壓縮和解壓 |
| RoPE | 旋轉位置編碼，給 Transformer 的 token 注入位置資訊的一種方式 |
| NTK 外推 | 一種縮放旋轉頻率、讓模型支援更高解析度的技術 |
| CFG | 分類器自由引導，控制提示詞影響力的參數 |
| Rectified Flow | 一種生成框架，訓練目標為預測速度場（v-prediction） |
| v-prediction | 速度場預測，直接預測「噪聲→乾淨圖」的移動方向 |
| ε-prediction | 噪聲預測，傳統擴散模型預測「混入了多少噪聲」 |
| DDPM | 去噪擴散機率模型，傳統擴散模型的數學框架 |
| U-Net | 一種帶跳躍連線的卷積網路，SDXL 的主幹架構 |
| Transformer | 基於自注意力的神經網路架構，LLM 的核心元件 |
| Attention / 自注意力 | 讓 token 之間互相「看」、捕捉相互關係的機制 |
| Cross-Attention / 交叉注意力 | 讓圖像 token「看」文字向量、注入語義的機制 |
| AdaLN | 自適應層歸一化，用時間步調變每一層特徵 |
| AdaLN-LoRA | 低秩版 AdaLN，把調變參數壓縮到低秩空間 |
| QK-Norm | 對注意力裡的 Q 和 K 做歸一化，穩定訓練 |
| RMSNorm | 均方根歸一化，一種輕量的歸一化方法 |
| LayerNorm | 層歸一化，另一種常見的歸一化方法 |
| PatchEmbed | 把潛空間切成小塊並投影成 token 的模組 |
| Tokenizer / 分詞器 | 把文字切成 token 序列的工具 |
| Token | 文字或圖像被切分後的最小處理單元 |
| Text Encoder / 文字編碼器 | 把提示詞翻譯成向量的模型（Anima 用 Qwen3） |
| LLM Adapter | 把 Qwen3 語義橋接到 T5 相容空間的 6 層橋 |
| Latent / 潛空間 | VAE 壓縮後的低維特徵空間 |
| Sampler / 取樣器 | 控制去噪「行走路徑」的演算法 |
| Scheduler / 排程器 | 控制噪聲隨時間衰減方式的模組 |
| Steps / 步數 | 去噪過程的迭代次數 |
| Seed / 種子 | 決定初始噪聲的隨機序列號，用於復現 |
| LoRA | 輕量附加模組，給底模增加畫風/角色/概念 |
| Hugging Face | 模型權重託管平台 |
| ComfyUI | 節點式 AI 繪畫圖形介面 |
| safetensors | 一種安全的模型權重檔案格式 |
| Rectified Flow 取樣器 | Anima 的取樣排程器，連續時間 [0,1] |
Q1：為什麼生成結果和別人不一樣？
A：生成結果由「提示詞 + 參數 + 隨機種子」共同決定。只要種子不同（預設 -1 隨機），或任何參數、提示詞有細微差異，結果就會不同。想復現某張圖，需要完全相同的提示詞、參數和種子。
Q2：Anima 能不能生成寫實風格？
A：Anima 的訓練資料以動漫/二次元風格為主，強項在動漫風格。靠提示詞硬調也能出幾張，但一般不如專門的寫實模型，想寫實建議直接換模型。
Q3：視訊記憶體不足怎麼辦？
A：按優先順序嘗試：① 降低解析度（1024→768→512）；② 降低批大小；③ 啟動 ComfyUI 時加 --lowvram 或 --novram；④ 關閉其他佔用視訊記憶體的程式。
Q4：生成速度太慢怎麼辦？
A：① 減少採樣步數（50→30）；② 換用 dpmpp_2m_sde_gpu 或 euler；③ 降低解析度；④ 確認顯示卡驅動為最新版。
Q5：提示詞寫中文可以嗎？
A：Anima 主要針對英文提示詞訓練，建議寫英文。中文可以寫，但理解和生成品質通常不如英文。可以用翻譯工具先把中文需求譯成英文。
Q6：報錯「CUDA is not available」怎麼辦？
A：顯示卡驅動未安裝或版本過低，去 NVIDIA 官網更新驅動後重試。
Q7：報錯「CUDA out of memory」怎麼辦？
A：見 Q3，本質是視訊記憶體不夠。
Q8：報錯「Checkpoint file not found」怎麼辦？
A：模型檔案路徑不正確，回看第四章，確認 DiT 放在 models/diffusion_models/ 下且檔名一致。
Q9：報錯「Node type not found」怎麼辦？
A：工作流使用了未安裝的自訂節點，去 ComfyUI Manager 安裝對應缺失節點。
Q10：生成結果全黑或全灰怎麼辦？
A：大機率是 VAE 載入失敗或連線錯誤，檢查 VAE 節點是否連線正確、VAE 檔案是否完整。
Q11：CFG 應該設多少？
A：Anima 推薦 4–5，遠低於 SDXL 的 7–9。不要按 SDXL 的習慣去設。
Q12：取樣步數設多少合適？
A：30–50 步價效比最高，超過 80 步基本無肉眼可見提升。
Q13：解析度必須 1024×1024 嗎？
A：不必。1024² 是原生訓練解析度、效果最穩。可以用其他尺寸，但 H 和 W 都必須能被 16 整除（VAE 8× 下采樣 × DiT 2×2 patch = 16）。
Q14：可以用非正方形解析度嗎？
A：可以，如 1024×1536，只要兩邊都能被 16 整除即可。
Q15：正向和負向提示詞都要寫品質標籤嗎？
A：推薦都寫。正向寫 masterpiece, best quality，負向寫 worst quality, low quality，雙管齊下更穩定。
Q16：標籤式提示詞和句子式提示詞哪個好？
A：Anima 兩種都理解，且可混用。推薦「品質標籤 + 主體標籤 + 2–3 句自然語言描述」的混合寫法。
Q17：權重語法 (word:1.3) 裡的數字範圍多少合適？
A：有效範圍通常 0.5–1.5。Anima 對權重敏感度略低於 SDXL，從 1.2 開始試，必要時到 1.5。
Q18：LoRA 權重設多少？
A：通常 0.6–1.2 之間，太大會導致畫面崩壞。
Q19：模型檔案要下載幾個？
A：三個：DiT 主幹（~4.2GB）、文字編碼器（~1.2GB）、VAE（~0.25GB）。
Q20：可以只下載一個檔案就跑嗎？
A：不能。Anima 需要三個元件協同工作，缺一不可。
Q21：AMD 顯示卡能用嗎？
A：Anima 主要針對 NVIDIA（CUDA）最佳化，AMD 顯示卡需要額外配置，體驗可能不如 NVIDIA。
Q22：生成的時候命令列視窗能關嗎？
A：不能。那個視窗是 ComfyUI 的服務程序，關掉就等於停止服務。生成完、不再用的時候再關。
https://huggingface.co/circlestone-labs/Animahttps://github.com/comfyanonymous/ComfyUIREADME.md 內的示例圖片（拖曳匯入）https://civitai.com/models/2458426/animahttps://tensor.art/models/998619401697644790/Anima-Official-circlestone_labs-base-v1.0https://kusart.comhttps://imgnai.com/https://www.mage.space/https://aliveai.app/https://www.dreamerland.ai/全文完
留言
留言暫未開放