Anima-Light-Lavender

Anima-Light-Lavender 是基于 circlestone-labs/Anima-Base v1.0 的后训练版本，专为提升 512 token 量级自然语言描述的理解能力而优化。该模型保持与基座完全一致的架构（约 2B 参数、28 层 DiT），可直接替换现有 Anima 工作流中的 checkpoint，无需修改文本编码器或 VAE。训练数据包含约 170 万张经内部管线标注筛选的 Danbooru 图像，所有标注、筛选及偏好判别模型均由作者独立训练，数据截止至 2025 年 11 月底。

本版本核心改进在于：以结构化自然语言描述替代传统 tag 堆砌作为默认生成方式，同时通过高质量数据提升画面美感——即使不使用质量词或负向提示词，输出仍保持干净整洁。适用于二次元插画、角色图及风格化艺术创作，但不支持照片写实或长文本渲染。

技术规格与部署要点

ComfyUI 快速部署：

1. 将权重放入 models/diffusion_models，文本编码器与 VAE 放入对应目录（已有 Anima 环境可复用）。
2. 安装 comfyui-zako-pe 自定义节点（克隆或下载 ZIP 至 custom_nodes/）。
3. 载入仓库附带的 anima.json（基础）或 anima-pe.json（含 tag→自然语言扩写）工作流。
4. 推荐参数：Sampler=euler, Scheduler=simple, Steps=25, CFG=4.0, 分辨率≈1280×1280，负向提示词留空。

⚠️ 关键依赖：anima-pe.json 工作流需本地运行 zako-pe (ZAKO-V0.1) GGUF 模型（LM Studio 默认端口 1234）提供 OpenAI 兼容扩写服务。若仅用 anima.json，则无需此服务，但需手动编写完整自然语言描述。

提示词规范：结构化 Caption 格式

模型基于固定字段顺序的结构化 caption 训练，示例如下：

{
  "year": 2025,
  "preference_level": "best",
  "artist": ["wlop"],
  "copyright": ["original"],
  "character": ["female knight"],
  "image_description": "A female knight in silver armor standing on a cliff at sunset, wind blowing her red cape, holding a glowing sword, dramatic lighting with lens flare, detailed background of distant mountains and ocean waves.",
  "extra_tags": ["masterpiece", "highres"]
}

字段说明：

• year: 年份锚点（整数，默认 2025）
• preference_level: 偏好档位（normal/high/very_high/best，默认 best）
• artist/copyright/character: 标准 Danbooru tag 列表
• image_description: 核心字段，需为详细自然语言描述（非 tag 列表）
• extra_tags: 补充性 tag

⚠️ 注意：字段顺序不可变；image_description 必须是连贯句子而非关键词拼接；preference_level 由 300 万样本训练的偏好模型判定，影响生成质量倾向。

训练细节与工程选择

• 数据管线全自研：从图像标注、质量筛选到偏好判别，所有辅助模型均为作者独立训练，避免第三方模型偏差。
• 混合精度训练：整体 BF16，MLP/Attention 矩阵乘法使用 MXFP8 GEMM 加速。
• 复合优化器：MLP/Attention 二维参数用 Muon（momentum=0.95, match_rms_adamw）；其余参数用 AdamW（β=0.9/0.95, ε=1e-8）。
• 超参：Batch size=1024, LR=4e-5, Weight decay=1e-3, Gradient clip=1.0。

这些选择旨在平衡训练效率与收敛稳定性，尤其针对长文本理解能力的强化。MXFP8 权重的提供进一步降低了推理门槛，使消费级 GPU 也能流畅运行。

局限性与使用边界

• 不适用写实风格：模型专为二次元与非写实艺术设计，照片级真实感不在目标范围内。
• 文字渲染弱：单词/短句通常正确，但招牌、字幕、多行长句等复杂文本渲染不可靠。
• 非商业许可：仅限个人研究与非商业用途，商用需另行授权。
• 自然语言依赖：若仍使用纯 tag 输入，效果可能不如基座；必须适配结构化 caption 格式。
• 扩写服务可选：anima-pe.json 依赖外部 LLM 服务，离线环境需用 anima.json 并手写描述。