Pagsisimula sa AI image generation: ang unang larawan mo sa loob ng sampung minuto

Q: Gibberish ang teksto sa larawan

Hindi marunong mag-spell ang SD 1.5 at SDXL. Gamitin ang Flux, FLUX.2, Qwen Image o Z-Image at ilagay ang teksto sa panipi sa prompt.

Paksa: Mga cloud service

Ni Captain

Inilathala Ago 14, 2025

Pangkalahatang-ideya

Ang AI image generation ay nagbabago ng pangungusap sa larawan. Magta-type ka ng paglalarawan (ang prompt), ang modelong natuto mula sa milyun-milyong larawan na may caption ay gagawa mula sa random na ingay ng bagay na tugma sa paglalarawan, at ilang segundo lang ay may larawan ka na. Ang lahat ng iba pa sa hobby na ito, tulad ng LoRAs, samplers, ControlNet, upscalers, ay pagpapaganda lang ng iisang proseso na ito: ilarawan, gumawa, tingnan, ayusin.

Ang modelo ang pinakamahalagang bahagi. Iba't ibang modelo ay may kanya-kanyang lakas: SDXL at mga anime fine-tune nito ay gumagawa ng ilustrasyon at mga karakter, Flux at Z-Image ay sumusunod sa mahahabang prompt at gumagawa ng nababasang teksto, Wan at LTX ay para sa video. Ang ModelTrends.ai ay nandito para ipakita kung anong mga modelo ang ginagamit ng mga tao ngayong linggo, para hindi mo na kailangang hulaan. Bawat pahina ng modelo ay may mga halimbawa ng larawan kasama ang eksaktong prompt at settings na ginamit, ito ang pinakamabilis na paraan para matuto.

Hindi mo kailangan ng gaming PC para magsimula. Ang pinakamabilis na unang larawan ay sa cloud service kung saan naka-install na ang mga modelo: isang web app tulad ng BitVector, kung saan pipili ka ng modelo at magta-type, o ang PirateDiffusion chat bot sa Telegram, kung saan magpapadala ka ng command. Ang pagpapatakbo ng mga modelo sa sariling graphics card ay para sa susunod kapag alam mo na kung anong mga modelo ang gusto mo at kung gusto mong gumastos para sa hardware.

Sanggunian

Pangalan	Uri	Ano ito
Prompt	text	Kung ano ang gusto mong makita. Unahin ang paksa, tapos ang lugar, tapos ang estilo at ilaw. Plain English ay gumagana sa mga modernong modelo; keyword lists naman sa mga luma.
Negative prompt	text	Kung ano ang ayaw mo (malabo, sobrang daliri, watermark). Mahalaga ito sa SD 1.5 at SDXL; kadalasan hindi pinapansin ng Flux at iba pang bagong modelo.
Model / checkpoint	choice	Ang utak. Pumili mula sa pinakasikat na listahan dito sa site; ang pamilya ng modelo ang nagdidikta ng itsura at estilo ng prompt.
Size	pixels	512x512 para sa SD 1.5, 1024x1024 para sa SDXL at Flux. Pwede rin ibang hugis basta pareho ang bilang ng pixels (832x1216 portrait, 1216x832 landscape).
Steps	number	Ilang beses pinapaganda. 20 hanggang 30 ang normal; mas marami ay mas mabagal at bihirang mas maganda.
CFG / guidance	number	Gaano kahigpit susundin ng modelo ang prompt. 5 hanggang 7 sa SDXL, 3.5 sa Flux, 1 sa turbo o lightning models.
Seed	number	Ang panimulang ingay. Kapag pareho ang seed at settings, pareho ang larawan, kaya pwede mong baguhin isa-isa.
Sampler	choice	Ang math na ginagamit para alisin ang ingay. Euler o DPM++ 2M Karras ang ligtas na default; ipinapakita sa pahina ng modelo kung ano ang ginamit sa mga halimbawa.

Hakbang-hakbang

Buksan ang models browser dito sa site at i-sort ayon sa hot. Pumili ng base model (checkpoint, hindi LoRA) mula sa pamilya ng SDXL o Flux; ang mga SDXL fine-tune tulad ng DreamShaper XL o Juggernaut XL ay madaling gamitin sa unang subok.
Basahin ang pahina ng modelo: tingnan ang tatlo o apat na halimbawa ng larawan at ang mga prompt nila. Pansinin ang pattern: paksa, eksena, ilaw, camera, mga salitang estilo.
Pindutin ang Run button sa pahina ng modelo. Ang BitVector ay magbubukas ng web app na naka-preselect ang modelo; ang PirateDiffusion ay magbubukas ng Telegram chat kung saan magta-type ka ng /render kasunod ang prompt mo.
Gumawa ng unang prompt sa pamamagitan ng pagkopya ng halimbawa at palitan lang ang paksa. Panatilihin ang size, steps at sampler na ginamit sa halimbawa.
Gumawa ng apat na larawan, hindi isa lang. Dahil random ang ingay, may mga seed na mas maganda kaysa iba; maling husgahan ang modelo sa isang larawan lang.
Baguhin ang isang bagay: magdagdag ng salitang ilaw (golden hour, soft studio light), o salitang camera (35mm, close-up), at gumawa ulit. Dito mo matutunan ang prompting.
I-star ang mga modelong gusto mo gamit ang puso sa card; ang Favs page ay nag-iimbak nito sa browser mo para makabalik ka kahit walang account.
Kapag gusto mo nang patakbuhin locally, basahin ang VRAM guide at ComfyUI beginner guide dito sa site; pareho ang mga prompt at modelo na gagamitin doon.

Mga halimbawa

Unang prompt para sa SDXL photo model

a fisherman mending a net on a wooden pier at dawn, soft fog, warm light, 35mm photo, shallow depth of field

Negative: blurry, deformed hands, watermark, text | 1216x832 | DPM++ 2M Karras | 28 steps | CFG 6

Parehong ideya sa PirateDiffusion (Telegram)

/render <dreamshaper-xl> a fisherman mending a net on a wooden pier at dawn, soft fog, warm light, 35mm photo [[blurry, watermark]] /size:1216x832 /steps:28

Prompt para sa Flux (walang negative, mas mababang guidance)

A candid photo of a fisherman mending a fishing net on a weathered pier at dawn. Soft fog over the water, warm low sun from the left, shallow depth of field, 35mm film look.

1216x832 | Euler | 24 steps | guidance 3.5

Mga tip

Ang modelo ang pinakamahalaga, ang prompt ang pangalawa, ang settings ang pangatlo. Madalas ang mga baguhan ay nagkakamali ng pagkakasunod-sunod ng oras.
Maikli at tiyak na prompt ay mas maganda kaysa mahaba at malabo. "Isang pulang bisikleta na nakasandal sa puting pader, liwanag ng umaga, 50mm na kuha" ay mas maganda kaysa "maganda kahanga-hanga 8k masterpiece bisikleta".
Portrait ang hugis para sa tao, landscape para sa mga tanawin. Bihira ang square na pinakamainam na hugis para sa kahit ano.
I-save ang mga prompt na gusto mo sa text file. Bawat pahina ng modelo dito ay nagpapakita ng buong prompt sa ilalim ng mga halimbawa para sa parehong dahilan.
Ang anime at ilustrasyon na mga modelo (Illustrious, Pony, NoobAI) ay gumagamit ng tag-style na prompt; ang mga photo models (Flux, Z-Image, SDXL photo fine-tunes) ay gumagamit ng mga pangungusap. Ipinaliwanag ito sa family page.
Huwag mag-download ng kahit ano hangga't hindi mo nasubukan ang modelo sa cloud at nagustuhan mo. Ang mga checkpoint ay 2 hanggang 24 GB bawat isa.

Gumawa sa cloud (BitVector, PirateDiffusion) at gamitin ang laptop para lang mag-browse ng resulta.

Mga tanong

Kailangan ko bang magbayad para subukan ito?

Parehong cloud partners na naka-link sa mga pahina ng modelo ay nagpapahintulot magsimula nang walang install; ang local tools (ComfyUI, Forge) ay libre pero kailangan ng graphics card na may hindi bababa sa 8 GB memory para sa mga kasalukuyang modelo.

Anong modelo ang dapat simulan ng baguhan?

Isang SDXL fine-tune para sa ilustrasyon o Flux dev model para sa mga larawan. Ang "which models to try first" guide dito sa site ay niraranggo sila at may paliwanag.

Ang LoRA ba ay modelo?

Ang LoRA ay add-on na binabago ang base model. Kailangan mo muna ng base model (checkpoint); saka mo ilalagay ang LoRA. Ipinaliwanag ito sa LoRA guide.

Pwede ba akong gumawa ng video?

Oo, gamit ang Wan, LTX-2 at MiniMax H3 at iba pa, pero mas malaki ang kailangan na memorya para sa video locally. Magsimula sa cloud; tinatalakay ito sa video getting-started guide.

Sa akin ba ang mga larawan?

Iba-iba ang lisensya depende sa modelo; naka-link ang lisensya sa pahina ng modelo. Karamihan ng open models ay pinapayagan ang personal at commercial use, pero may ilang research-only licenses (early Flux dev builds) na hindi.

Bakit mas pangit ang resulta ko kaysa sa mga halimbawa?

Kadalasan dahil sa ibang size, sampler o bilang ng steps. Kopyahin muna nang eksakto ang settings ng halimbawa, saka baguhin isa-isa.

Mga link at pinagmulan

Mga model sa gabay na ito

Mga Stable Diffusion XL 1.0 model

Mga Flux model

Mga Zimage model

Isinulat ni

Captain

Pinapatakbo ang barkong ito. May mga opinyon tungkol sa VAE decode times na walang nagtanong. Naniniwala na gustong maging malaya ang mga weights at na ang anumang model na hindi mo ma-download ay isang subscription na may dagdag na hakbang. Hindi sasagot sa mga tanong tungkol sa 400 GB ng checkpoints sa NAS.

Lahat ng gabay ni Captain

Alin ang mga AI image models na subukan muna, at bakit: isang naka-ranggo na panimulang listahan

Set 10, 2025

Mga pangunahing kaalaman sa pagsulat ng prompt para sa AI na mga larawan: istruktura, ayos, bigat at ang dalawang diyalekto ng prompt

Okt 22, 2025

Paano gumagana ang mga generative AI image models: diffusion, latents at text encoders na ipinaliwanag nang simple

Ago 28, 2025

Ano ang LoRA at paano ito gamitin sa ComfyUI, Forge, Automatic1111 at sa cloud

May 20, 2026

PirateDiffusion: patakbuhin ang kahit anong modelo mula sa Telegram, hindi kailangan ng GPU

Okt 3, 2026

Talasalitaan ng AI na paglikha ng larawan at video: 60 termino mula checkpoint hanggang VAE, ipinaliwanag sa isang linya bawat isa

Abr 15, 2026

Pinakamahusay na libreng alternatibo sa Midjourney na maaari mong patakbuhin nang sarili mo (2026)

Hul 15, 2026

Higit pang gabay

Pinakamahusay na Open-Source AI Image Models sa 2026, ayon sa GPU at Trabaho

Okt 16, 2026

Pagpapatakbo ng AI image at video models sa AMD GPUs (2026 gabay)

Okt 7, 2026

Mga kinakailangan sa VRAM para sa bawat sikat na AI image at video model (2026): full precision, FP8 at GGUF

Okt 6, 2026

Gabayan sa GPU at VRAM para sa AI na larawan at video: ano ang kailangan ng bawat modelo at ano ang bibilhin (o hindi)

Ene 7, 2026

Mga Hakbang, CFG, samplers, schedulers at seeds: paliwanag sa mga setting ng generation na may ligtas na default

Nob 19, 2025