点击TA 2024回忆报告,查看你深度参与的“环节”

点击TA 2024回忆报告,查看你深度参与的“环节”

点击TA 2024回忆报告,查看你深度参与的“环节”请注意!前方正在向你走来的是,2024 TA年度报告。出乎整个运营团队预料的是,今年站内的年度prompt词是「hair」。这意味着, hair被大量的写入提示词中,且是站内使用频率最高的提示词。hair的使用次数高达惊人的 2亿+ !但仔细想来,如果想对某个人物图像、角色图像做到更精确的控制,头发是必不可少的一环,而头发往往又代表角色的鲜明特征。回顾站内的提示词构成,诸如「long hair」「short hair」「red hair」等简单对头发的描述占大量比重。今年下半年开始,中文提示词的占比也逐渐上升。是的没错,我们很高兴看到中文模型生态在吐司不断孕育发展壮大。从此,生图不用再受英文提示词束缚,有了全新中文语言的可能,可以一起用中文描绘独属于国人的究极浪漫。提示词从“头”开始,和我们从新起航,在即将到来的新的一年里TA也要和大家继续相伴,今天你生图用「hair」了吗~截止目前,我们在全球托管40w+ AI模型,其中热度top5的模型是日均生成量30w+,每天有超过2w+ 个帖子发布在平台上,月均浏览2,700w+,分享内容350w+ ,这是今年热度Top5的帖子在今年,我们拥有过万的工作流和AI小工具,使用场景也更加多样,能够解决更多实际应用场景上的问题很高兴在今年网站用户突破320 w!有超过千位在吐司诞生月份就加入的老朋友依旧保持活跃!翻看站内的作品和社群,我们看到很多在网站建立之初加入,并一直陪伴着我们的用户,小李、今宵、hans、浅笑、千秋九月等等等等,感谢你们在网站还相对简陋不成熟的时候选择我们并一直活跃在吐司这个大家庭里。是因为你们的信任和陪伴,才不断推动着我们,激励着我们越来越好。在城市分布方面,广州、上海等一线城市占比最大,相比较去年东莞、佛山、福州等二三线城市的使用人数也有大量涨幅。用户的年龄结构方面,26岁-35岁占比高达38%,年轻用户对新鲜事物充满好奇,具有较强的创新意识和表达欲望,是推动AI 生图多样化创作风格的主力军。但50+岁的用户也不遑多让,占比也是创意生图的中坚力量,他们可能在职场的间隙,抽空呼吸放松,用AI描绘出心中的诗与远方。对比去年,18-25岁用户占比也有显著提升!从今年的数据上来看,女性用户的数量同比增长5%,占比也来到了20%不论是城市、年龄还是性别,我们团队对比过往数据,能够得到一个令人惊喜的结论:AI技术正在向全民化发展。人们使用AI的壁垒在不断减少,获得AI相关信息更加便捷全面,而这也是我们希望看到的。今年,我们完成了几十次的功能更新和数百次的bug修复,我们始终把用户体验放在第一位,而产品功能更是我们的立身之本。比如,我们创造性的推出AI小工具,可以理解为一个mini版的app!对创作者而言可以把复杂的工作流包装得到更多的传播和使用;对于使用者而言不需要了解背后的复杂逻辑,一键使用。我们目前已经可以做到覆盖设计、视觉、游戏、建筑、艺术等多行业的实际应用场景解决方案。在不久的将来,更将推出全新设计师友好的灵感发散工具今年,吐司一共上线20余场站内活动,30余场站外(社群社媒)活动,更有多场直播、免费b站课程等。我们非常高兴看到越来越多的用户参与到我们的活动中来,更令我们感动的是,许多用户会认真支持每一场活动,醉梦星河、叽里呱啦、天海、剑舞清风、RelianceXL、焦糖拿铁多加奶、青旭、蔚蓝blue,还有更多更多的用户!这些昵称,我们运营团队都妥帖的记在心里。与此同时,今年我们在外部合作上有了更多拓展。在此就不一一穷举,新的一年跟我们一起探索更多可能。今年各类新基座模型百花齐放,我们一直鼎力支持并承载每一新技术的发展!毫不夸张的说,大部分基座模型我们可以做到T+0支持在线生图,T+1支持多种网络模块的在线训练。(产研:在做了!在做了!)在AI快速发展的浪潮下,我们从未放缓过技术创新的脚步。在AI井喷式发展的这两年里,放眼全球,我们的算力价格都是极低的。在用户增长和新技术成本增大的情况下,我们依旧保持原有优势,保障算力充足,并让用户能够用更低的成本体验AI。除了追逐新技术以外,还做了全面的工作流AI小工具的功能,探索各类应用场景。从产品雏形诞生那一日起,我们的初心就从未改变:让每个人都能体验到AI创作的乐趣。而“Trained Once, Thrive everywhere.”这一理念也绝不是说说而已。这句话的意思是,一旦你在我们的平台上训练了一个模型,后续的活动(如发布、运行模型、被他人纳入工作流程或AI小工具)都将持续为你产生收益。当然,我们不仅只有追新,只有探索,我们也有对陪伴我们的创作者有更多的回馈。我们期望平台创作者能够通过创作获得收益反哺。因此,我们设立了创作者中心,以帮助创作者监控他们上传作品的收益,创作者激励相比较去年涨幅523%。显卡基金、充能、订阅,我们给创作者提供了更多的收益方式,创作者人均收入增长8.15倍。我们一直将扶持国内AIGC生态为己任,除了上线功能全面的在线训练,降低训练门槛以外,也一直在探索更多有可能的收益方式使创作者得到应有的物质回报。我们希望创作者在为热爱发电的同时,能感到有更足的底气。即将上线会员模型,这么多收益方式,总有一款适合你!从2022 年底ChatGPT 引发生成式人工智能的热潮,到2024 年初Sora 模型以文生视频技术令世界瞩目,AI 技术在软件代码、文本、语音、高保真图像和交互式视频的创作上取得了显著突破,不断推动着多领域的革新。AI行业的发展绝不仅仅是靠某一公司的成功而前进,我们也在这些优秀的同行身上获得启发,并为之努力奋斗。AI是一片热忱的土地,长满关于科技与梦想的各具特色又生机勃勃的植物,我们在上面种下一颗名为吐司的种子,期待它的不断生长。年度榜单TA有自己的年度榜单,快来看看你上榜了没榜单直通车在此,死手,快点啊!👉年度榜单👈
36
1
MIST & MIST FXXKER Lora Trianing TEST

MIST & MIST FXXKER Lora Trianing TEST

"主不在乎" ----《三体·黑暗森林》"光锥之内就是命运"mist github url/项目地址mist fxxker本次测试所用训练数据集和成品LORA/train data&lora file in this test相关清理代码/测试图片/训练设置在本页附件内原文地址:MIST & MIST FXXKER Lora Trianing TEST | Civitai微博上看到个很有趣的项目,声称可以保护图片使其无法训练。”Mist是一项图像预处理工具,旨在保护图像的风格和内容不被最先进的AI-for-Art应用程序(如Stable Diffusion上的LoRA,SDEdit和DreamBooth功能和Scenario.gg等)模仿。通过在图像上添加水印,Mist使AI-for-Art应用程序无法识别并模仿这些图像。如果AI-for-Art应用程序尝试模仿这些经Mist处理过的图像,所输出的图像将被扰乱,且无法作为艺术作品使用。“https://weibo.com/7480644963/4979895282962181https://mist-project.github.io/下载,这个项目环境配置本身比较困难,而且刚性需求bf16(在一台2080ti设备测试,其实有一部分可以运行在fp16上,但急着测试没时间修改代码,本机有4090重新配环境太麻烦),最后还是请朋友帮忙处理了图片。本次测试所用训练集/原图/lora文件已附上,请自取。MIST & MIST FXXKER Lora Trianing TEST LORA and Dat - train_data | 吐司tusi.cn测试介绍/Introduction to testing测试图片/Testing images本次测试图片分为四组。通过爬虫获取的原图。经过mist v2在默认配置下处理的原图。mist-fxxker,使用第一阶段clean 处理[2]图片(注:该阶段处理耗时约25s/106张图@8c zen4)mist-fxxker, 使用clean+SCUNET+NAFNET 处理[2]图片(注,该阶段8s/每张图@4090)测试模型&参数/base model &parameter testing1.训练使用nai 1.5 ,7g ckpt.MD5: ac7102bfdc46c7416d9b6e18ea7d89b0SHA256:a7529df02340e5b4c3870c894c1ae84f22ea7b37fd0633e5bacfad96182280322.出图使用anything3.0MD5:2be13e503d5eee9d57d15f1688ae9894SHA256:67a115286b56c086b36e323cfef32d7e3afbe20c750c4386a238a11feb6872f73.参数因本人太久没有训练1.5lora,参考琥珀青叶推荐&经验小幅度修改。4.图片采用narugo1992 所推荐的three stage切片方法处理(小规模测试里,未经three stage处理放大特征的话,很难学习到mist v2的效果)测试流程/Testing Process通过爬虫获取booru上一定数量柚鸟夏图片通过mist v2 & mist fxxker 处理,获取剩余三组图片。把四组图片当作下载后原图,引入训练工作流,进行打标,识别,切片,处理后获取四组训练集。用这四组训练集训练产生对应lora测试lora测试结果/Results说明:结合图片观感,本人认为在15ep以后,已经基本达成了角色拟合和训练需求,正常训练时也不会超过这么多ep,因而测试基于15ep,其余lora和训练集请自取测试。总测试参数/Total test parameterDPM++ 2M Karras,40steps,512*768,cfg 7if Hires. fix:R-ESRGAN 4x+ Anime6B 10steps 0.5all neg:(worst quality, low quality:1.4), (zombie, sketch, interlocked fingers, comic) ,Trigger Words:natsu \(blue archive\)直接出图测试/Direct testing测试1:prompts:natsu \(blue archive\),1girl, halo,solo, side_ponytail, simple_background, white_background, halo, ?, ahoge, hair_ornament, juice_box, looking_at_viewer, milk_carton, drinking_straw, serafuku, blush, long_sleeves, red_neckerchief, upper_body, holding, black_sailor_collar,测试2:natsu \(blue archive\),1girl, solo, halo, pleated_skirt, black_sailor_collar, side_ponytail, milk_carton, chibi, black_skirt, puffy_long_sleeves, ahoge, white_cardigan, white_footwear, black_thighhighs, shoes, white_background, v-shaped_eyebrows, full_body, +_+, blush_stickers, standing, sparkle, two-tone_background, holding, twitter_username, :o, red_neckerchief, serafuku, pink_background, open_mouth测试3:prompts:natsu \(blue archive\),1girl, cherry_blossoms, outdoors, side_ponytail, solo, black_thighhighs, halo, drinking_straw, ahoge, tree, white_cardigan, looking_at_viewer, milk_carton, long_sleeves, pleated_skirt, day, neckerchief, open_mouth, holding, juice_box, black_sailor_collar, blush, black_skirt, serafuku, building, zettai_ryouiki小结:测试原图放在附件了,可以自行对比查看。就目前测试而言,单步骤的clean过后,即便放大后仔细查看,肉眼也很难分辨图片是否经过mistv2污染。即便不经过任何处理,mist的污染也需要放大图片同时提高显示器亮度才能发现(这是100%污染图源作为训练素材)项目地址展示结果目前暂时无法复现。直接出图后高清修复测试after Hires. fix经过上一步,下面我们只测试经过mistv2处理后训练集直出的lora在higher fix后的表现高清修复参数: R-ESRGAN 4x+ Anime6B 10steps 0.5出图后清洗只经过clean特别加测不使用three stage的结果:SD1.5 补充测试/add test论文里使用的是sd1.5底模,因此简单尝试了一下在sd1.5能否复现论文所展示的model attack性能。图片显示即便被攻击过的数据集也并没有影响到对角色特征的学习,mistv2带来的污染在使用对应lora后也能够清除。其他方面不太能确定,毕竟sd1.5模型对于二次元角色本身就是个灾难,自己看图吧。MIST & MIST FXXKER Lora Trianing TEST LORA and Dat - lora_sd1.5 | 吐司tusi.cn总结/Summary什么样情况下lora会受到mistV2的影响1.训练集没有经过常见的预处理流程2.使用了three stage方法3.mist v2处理后图片比例占绝对优势。1,2,3任何一项的缺失都会让mist V2的效果显著下降。污染了怎么办1.训练前:请使用最简单的方法清除即可,0.25s/per image。2.训练后:请以适当的负数权重合并调整loraAdjusting Mist V2 effect / Mist V2 效果调节- v1.0 | 吐司3.出图阶段: 同上,可以请谁写个小扩展?评价/Evaluationit is better than nothing.
18
2
个人所有模型说明

个人所有模型说明

提前说明:Anything系列模型现已全部使用FairAIPublicLicense1.0-SD进行开源。本人的任何模型及衍生模型,禁止转载LiblibAI&ShakkerAI。若不同意此条内容,请立即删除您存储设备内本人的任何模型以及衍生模型。许可协议:本人所有模型(除特殊说明/继承原模型许可证之外)全部使用FairAIPublicLicense1.0-SD开源,关键点:修改共享:如果您修改模型,您必须共享您的更改和原始许可证(任何衍生模型必须同样使用FairAIPublicLicense1.0-SD开源)。源代码可访问性:如果您的修改版本是网络可访问的,请至少提供一种方法(如下载链接)让其他人获得源代码。这也适用于衍生模型。分发条款:任何分发都必须在本许可证或其他类似规则下进行。合规性:必须在30天内解决不合规问题,以避免许可证终止,强调透明度和遵守开源价值观。选择此许可证的原因是其中部分模型使用了此开源许可的,并且即使不存在以上内容我自己也会选择此许可证。它保护了贡献者和用户,鼓励建立一个协作的、合乎道德的开源社区。这确保了该模式不仅受益于社区投入,而且尊重开源开发自由。此外针对国内社区增加的额外注意事项:使用本人任意(除特殊说明/继承原模型许可证之外)的模型以及任何本人模型的衍生模型,制作任何可在线运行的Comfy workflow或者吐司AItools等,请至少提供一种方法让其他人能够查看或者获得此工作流,这也适用于衍生模型。免责声明:模型生成的所有图像均为用户自行生成,模型开发者无法控制用户生成图像的行为。对于可能涉及侵权或不安全的图像,模型作者将不承担任何责任。模型的使用应遵循与其他模型相同的原则,但用户必须遵守所在地区的法律法规(详见第1条,我们不对此负责)。如果用户违反规定使用模型,对我们造成负面影响,用户有责任消除这种负面影响。作者团队及本人不承担任何因非本人转载或分发模型而产生的任何后果。如果因此给我们造成损失,我们保留向转载者追究责任的权利。不建议使用:对于以下几类人群,我们不建议使用此模型,我们对此表示遗憾:无法容忍原始艺术风格/角色特征有任何偏差的人,即使是最微小的细节。面临对艺术风格/角色特征再现准确性要求极高的应用场景的人。无法接受基于Stable Diffusion算法的AI生成图像可能存在的随机性的人士。无法接受使用全自动化流程进行LoRA模型训练的的人,或者那些认为为了保持原始艺术视野的完整性,艺术风格训练必须完全通过手动操作来完成的人士。认为生成的图像内容冒犯了他们价值观的人。认为AI生图技术和自动训练技术是不尊重他们的人
12
2
Qwen-image 提示词进阶技巧

Qwen-image 提示词进阶技巧

通过有效的提示词设计,我们可以让AI准确理解并将想象中的画面呈现出来。无论是用来制作海报、插画,还是创意设计,掌握提示词的技巧,能够帮助你更高效地实现创意与视觉的完美结合。今天,我们将深入探讨提示词的核心策略,分享如何通过精准描述画面内容和风格,提升生成效果的质量和稳定性。提示词技巧通用版核心策略:用连贯自然的句子描述画面内容(主体+行为+环境),用清晰明确的短语描述画面的风格/构图/景别/品质等,万能模板如下[主体描述] + [环境背景] + [风格基调] + [美学参数] + [情感氛围] + [画面文字]主体描述:主体为人时写清外貌特征、表情与动作;是物体则要写清材质、颜色、形状等属性环境背景:交代主体所处的场景(如“深夜的图书馆”),并清晰表达画面中不同元素之间的空间关系风格基调:指定画面整体的艺术风格(如“水墨画”、“赛博朋克”等),保持风格统一可提高输出稳定性美学参数:一系列影响画面表现力的视觉要素,包括构图、视角、景别、光影、色调等情感氛围:定义画面传递的情绪(如“热闹”、“紧张”、“轻松”、“沉重”等)画面文字:如果想在画面中生成文字,注意请用引号标明具体内容,并说明位置和字体💡小技巧画面风格统一,避免冲突:“画面氛围肃穆,色调清新治愈” → “画面传递宁静的情绪,色调清新雅致”把否定词改为正向表达:“不要卡通风格” → “画一张写实风格的图片”;“不要让画面显得拥挤” → “画面构图简洁,主体位于中心,周围留出1/3空白”在有明确应用场景时,推荐写出用途和类型:如“手机壁纸”、“电影海报”等避免与画面无关的多余指令🌰详细举例打开工作台,选择QwenImage模型,推荐搭配下图LoRA使用,算力消耗更低哦(工作台/首页选择模型后,在推荐参数弹窗中选择确认,即可开启加速模式)按照前文中的万能模板,输入提示词,点击生成一幅极具视觉冲击力的超现实主义插画,描绘了一条由璀璨星河与熔金般光辉构成的巨大鲸鱼,正静谧地游过深空。它的身躯半透明,内部可见闪烁的星团与星云,无数细小的碎光从尾部洒落,形成一条轨迹。在画面下方的角落,一块巨大的、棱角分明的暗色陨石上,刻着一句散发着微光的未来主义字体短句"WE ARE THE COSMOS DREAMING.“,字体的光芒与鲸鱼身上的光辉遥相呼应。背景是深邃的、有丝绒质感的宇宙,点缀着遥远的星系。画面充满静谧的神性、壮丽的尺度对比和令人屏息的细节。1)画面内容主体:一条由璀璨星河与熔金般光辉构成的巨大鲸鱼,正静谧地游过深空环境:深邃的、有丝绒质感的宇宙,点缀着遥远的星系文字:“WE ARE THE COSMOS DREAMING.”2)画面基调风格:超现实主义、未来主义插画氛围:静谧、神秘、神性、深邃🌟其他效果展示实战设计版海报设计相较于一般化的图片,海报设计需要特别注意描述图片的主题、视觉元素、美学风格以及构图排版方式主题描述:说明使用场景,确定图片的大致风格,如“一张关于音乐节的宣传海报”、“一张xxx产品的广告海报”视觉元素:具体描述海报画面所包含的元素,如有文字需要用引号标明具体内容,并说明位置和字体美学风格:决定海报的整体感觉和艺术流派,如“矢量插画”、“电商风格”、“抽象主义”等等构图排版:确定想要实现的构图(如“三分法”、“模块式构图”等),以及画面主体、文字分别在什么位置专业参数:包括对画面细节和输出质量的要求,如“4K专业级”、“线条清晰”等🌰详细举例一张夏日环保市集的活动海报,扁平插画风格,色彩明亮轻快。画面中央是一棵巨大的卡通风格苹果树,树下摆放着各式各样的手工艺品和有机蔬果摊位,人们在树下愉快地交谈和购物。阳光透过树叶洒下斑驳的光点,营造出轻松愉快的氛围。海报顶部预留大片纯净的浅蓝色天空区域,用于放置主标题和副标题。底部预留干净的米白色区域,用于放置活动详情。主标题文字为“自然嘉年华”,副标题标语为“发现绿色生活的乐趣”,活动详情写着“活动时间:2026年7月27日”,”活动地点:城市中央公园·草坪广场“,主办方的名称”绿叶社区“在画面右上角。🌟其他效果展示字体设计字体设计相对来说比较简单,只需要描述清楚文字内容、字体风格、颜色、材质/质感,以及画面背景即可💡同样需要注意,文字内容需要加上引号“”🌰详细举例一幅极致写意的水墨书法作品,文字内容为“自在”,磅礴挥洒的草书,笔触带有干湿浓淡的丰富变化,墨迹在宣纸上自然晕染扩散,仿佛刚刚写成。文字周围点缀着寥寥数笔勾勒出的远山孤舟虚影,大量留白处呈现出古朴宣纸的微微泛黄纹理和褶皱感。整体画面空灵静谧,充满东方哲学韵味和呼吸感。柔和的自然光从侧面照射,凸显墨色的层次。1) 文字内容文字:“自在”2) 字体与书法风格字体:草书风格:磅礴挥洒,动态感强,笔触带有干湿浓淡的丰富变化,墨迹流动,带有强烈的个性与气势3) 颜色墨色:浓墨与淡墨的渐变交织,带有自然的晕染与扩散效果4) 材质与质感墨迹质感:墨迹自然晕染扩散,呈现出干湿变化的独特效果,笔触之间带有层次感🌟其他效果展示美学参数提示词手册给大家提供了一些实用的美学参数提示词可供参考风格模版国风人像(雨巷夜景)  新中式立领+丝绒披帛,发丝被雨气打湿;雾化体积光穿透巷口灯笼,浅景深奶油散景;黄金螺旋构图;窗光质感,肤色自然反射2000年代街头纪实(CCD味)  35mm 平视,直闪;高对比+冷绿偏色;抓拍回眸;3:2;颗粒明显赛博机甲角色  雨滴停驻盔甲、表面流光,体积光束穿透烟雾;路径追踪/全局光;8K 超清美食静物(暗调质感)  层叠前景遮挡(草本/胡椒粒),浅景深,三角构图;阴影有细节建筑空间(秩序与光)  24mm 夸张透视+前景框景;硬边阴影几何切割;低饱和冷调光影系统光位/质感:顶光/侧逆光/轮廓光(rim light)/蝶式光/伦勃朗光(Rembrandt)/窗光/蜂巢控光/旗板切光气氛:体积光(volumetric)/雾化光束/剪影/高反差/低反差/边缘高光混色:双色温混光/色片(gel)蓝青/洋红/橙/青绿对打色彩/胶片感胶片参考:Portra 400(柔和肤色)/Cinestill 800T(钨丝蓝调晕光)/Fuji Velvia 50(高饱和风景)语义色:赛博蓝青/复古赭棕/港风青绿/暮色橘金后期与质感电影级景深/自然颗粒(film grain)/晕影(vignette)/高光晕(halation)/辉光(bloom)局部对比度(clarity)/分离色调(split toning)/交叉处理(cross process)/反差保留锐化LUT 风格化/胶片曲线/S 型曲线/色彩噪点控制终极省流版提示词太麻烦不想写?规则太多记不住?来试试吐司的提示词增强功能!进入工作台,输入核心关键词,点击提示词增强图标,一键生成完整提示词,轻松解锁Qwen-Image 全部能力💡如果对自动扩展的提示词不满意,也可以结合自己的需求进行修改,或者重新生成~效果对比以上就是Qwen-image提示词进阶术的全部内容,快打开吐司工作台,用奇妙咒语实现幻想吧!🪄
10
1
📢 每日任务更新通知

📢 每日任务更新通知

亲爱的吐司AI 用户:为了鼓励更多优质内容在社区中发布和被发现,我们对每日任务进行了优化升级。 新的规则会更侧重创作价值 和内容推荐,让优秀作品获得更多算力奖励。🎯 新的每日任务奖励方案分享内容到外部站点(每日1 次) 👉 +5 credits你的帖子被点赞(每日最多5 次) 👉 每次+2 credits帖子/ AI 工具/ 模型被推荐到首页(每日每类1 次) 👉 +30 credits帖子/ AI 工具/ 模型被推荐到频道页(每日每类1 次) 👉 +10 credits>💡 Note: 他人运行你的模型和AI 工具的算力奖励保持不变。我们理解大家可能会觉得获取算力的方式比之前更精简了,但请相信,这样的调整是为了:提升推荐内容的质量,让大家看到更多有价值的作品让优秀创作者获得更高的回报让社区氛围更加积极和公平✨ 此外,为了鼓励更多高质量的视频内容,我们即将推出全新的算力奖池! 只要发布优质的视频内容,就有机会和其他创作者一起瓜分丰厚奖励!敬请期待🎬💡感谢你一直以来的支持,让我们一起把吐司AI🍞 社区建设得更好! 💜
8
10
致吐司创作者的一封信 — 关于创作者激励计划调整的通知

致吐司创作者的一封信 — 关于创作者激励计划调整的通知

各位吐司创作者:大家好。📝过去两年多,吐司因为"创作者激励"与各位创作者一同走过:从首批模型上线,到独家、首发、Pro 等机制陆续完善,许多优秀的模型、Tools、工作流都是在这条激励之上诞生的。这是吐司最宝贵的一段时光,也是我们对国内AI 模型社区最直接的一次承诺。近期,公司对吐司在国内市场的定位和投入方向进行了重新评估,我们认为创作者真正需要的,不只是"再出一张图",而是把模型、工作流、产品和工具完整串联起来的能力。围绕画布与Agent 的产品矩阵,将成为吐司主要的投入方向。而过去单纯依靠"激励金"驱动模型上传的运营模式,已经难以支撑可持续的内容生态;同行也在重新审视各自的策略。因此我们决定对全站"创作者激励计划"进行如下调整:一、本次调整的具体内容生效时间:自2026 年6 月1 日0 点起。调整项变化前变化后(6 月1 日创作者激励(独家激励/ 首发激励/ Pro 激励)按规则按月发放全站停止发放新增"独家/ 首发/ Pro"模型与Tools 申请开放申请不再开放新的申请通道存量"会员模型/ Tools / 首发/ 独家"模型带有相应标识,按规则结算收益统一切换为"原创"、"非Pro"状态,会员权益页面中的Pro 部分展示Pro 专属权益页面中Pro 相关部分将隐藏创作者后台正常使用页面、数据、模型管理功能💡简而言之:"创作者激励"本身停止,但您的模型、作品和创作者后台不会消失。您之前发布、上架的所有内容会以"原创/ 非Pro"的常规状态继续保留在站内,链接、互动、数据一律保留。二、保持不变的部分为了把对您的实际影响降到最低,本次调整不会触碰以下内容:用户对您模型/ Tools 的正常使用、运行、下载与付费购买—— 全部照常。会员用户使用这批模型的体验、非会员用户的使用体验,都不会发生变化。"Tools / 模型的单独付费"机制保留—— 用户单独为您的Tools 或模型付费的能力保持不变。"算力返还(模型被使用即获得算力)"机制保留—— 当您的模型被其他用户使用时,您仍可获得相应的算力返还。账户余额、历史结算收益、提现入口—— 全部安全、完整,正常可用。您发布的模型、作品、主页、收藏与互动数据—— 一律保留。吐司不会以任何形式下架您的内容,也不会因为这次调整删除任何一条作品。用户依旧可以通过「付费设置」自定义设置创造收益三、与本次调整同步:放开提现门槛考虑到本次调整对部分创作者意味着收益模式的变化,我们决定同步做出一项更宽松的安排:自通知起,正式放开"提现门槛"。您账户内的余额,无需再达到原先规定的最低提现金额,即可发起提现。当前已经积累在账户中、但尚未达到原门槛的余额,即日起也可一并提取。说明:每月可提现次数的限制暂时维持现状,但您可以更灵活地决定"什么时候提"、"提多少"。如果遇到提现流程上的问题,欢迎随时通过站内入口或官方群联系我们。写在最后很多年前,吐司因为相信"中文AI 模型社区值得被认真对待",启动了创作者激励计划。今天,我们以最直接、最坦诚的方式把这次调整告诉您,仍然是出于同样的理由——我们把每一位创作者视为吐司的合伙人,而不是"流量来源"。这一次,只是"暂时暂停"。围绕 Canvas 的Agent 和模板的产品能力将陆续上线;针对Canvas,我们正在准备全新的创作者激励等新形态,让创作能力以更直接、更可持续的方式得到回报。与官方合作伙伴的活动也将按计划进行,仍然为留在吐司的创作者保留创作与盈利的机会。欢迎体验Canvas功能:https://tusi.cn/canvas此外,本次调整不影响Tensor.Art 的任何激励规则,也欢迎各位用户在Tensor申请创作者激励。感谢您过去对吐司、对中文AI 模型社区做出的每一次贡献——上传的每一个模型、发布的每一份Tools、回复过的每一条评论、参与过的每一场活动。欢迎随时联系我们:📮https://echotech.feishu.cn/wiki/ULv7wex6Ii3lIHknnjUcS28Enuc吐司团队2026 年5 月20 日
6
4
可图(Kolors)模型能力及优质咒语书

可图(Kolors)模型能力及优质咒语书

Kolors 可图模型能力及优质咒语书模型介绍可图大模型是由快手可图团队开发的基于潜在扩散的大规模文本到图像生成模型。Kolors 在数十亿图文对下进行训练,在视觉质量、复杂语义理解、文字生成(中英文字符)等方面,相比于开源/闭源模型,都展示出了巨大的优势。同时,Kolors 支持中英双语,在中文特色内容理解方面更具竞争力。语义理解能力Kolors 从模型和数据两方面来提升文生图模型的语义理解能力。模型方面,Kolors 选用了强大的中文LLM ChatGLM 来作为文本编码器;数据方面,Kolors 使用MLLM 机造细节丰富的高质量文本描述。更强的文本编码器文本编码器的能力是文生图模型的语义理解能力的关键。一开始,大部分文生图模型使用CLIP(如SD、DALL-E 2)来作为文本编码器。CLIP 目标通过图文对比学习训练,来建模视觉语言联合表征空间,是多模态学习领域里程碑式的工作,用于文生图模型的文本编码是很自然的想法。然而,受到训练目标监督粒度的限制,CLIP 对于一张图中有多个物体,有不同属性、位置的复杂情况通常理解得较差。表现在生图模型上,就会出现生图结果属性绑定错乱的问题。另外,原始CLIP 模型文本编码的最大长度也很有限,只有77。为了提升文生图模型的语义理解能力,Imagen 首先提出了使用T5 作为文本编码器,并指出了scaling 文本编码器比scaling 生图UNet 带来的提升要显著得多。自此,新的文生图模型纷纷优化文本编码器的能力,有的引入更大更强的T5-XXL(如Imagen、Pixart),有的将多个CLIP 或T5 的特征结合起来(如SDXL、SD3)作为文本条件。然而,现有的开源模型在中文生图方面的能力还比较一般。直到最近腾讯开源出的Hunyuan-DiT,才有了一个比较可用的中文生图模型。Hunyuan-DiT 使用了双语的CLIP 模型加多语言的T5 模型来作为文本编码器。但是由于多语言T5 的训练预料中中文占比太少(只有2%),而CLIP 又受限于本身训练目标,细粒度的文本理解能力较差。因此,目前开源界中文、细粒度文生图模型的文本编码器仍存在较大的优化空间。Kolors 针对这一问题,选择直接使用大语言模型进行文本编码。具体来说,Kolors 使用了ChatGLM-6B-Base 模型,这是一个中英双语的大语言基座模型。这里没有选择其SFT 版本ChatGLM-6B 是因为作者认为未经对齐人类偏好的基座模型反而更适合文本特征的提取。在最大编码长度方面,ChatGLM 也更高,达到了256。与SDXL 一样,Kolors 取文本编码器的倒数第二层特征作为文本条件。Kolors社区微调模型Kolors-可丽(Kolors Girl)人体科学中英文LoRA 【点击直达】Kolors-可丽(Kolors Girl)人体科学中英文LoRA - 可图KOLORSGirl | Stable Diffusion Model - LoRA | Tensor.Art (tusiart.com)使用MLLM 生成细节更丰富的文本描述要增强文生图模型的语义理解能力,除了更强大的模型结构之外,更重要的是训练数据。一开始,文生图模型都是使用网络上的图文对数据进行训练,而这些图文对不可避免地存在不准确、细节不够丰富的问题,因此用于文生图模型的训练质量不够高。DALL-E 3 首先提出使用image captioner 模型机造生成细节丰富的高质量文本描述。最近的文生图模型中,recaption 机造数据几乎已经是标配。那么,开源MLLM 那么多,用哪个呢?Kolors 通过5 个指标(长度、完整度、正确性、幻觉、主观性)来评估MLLM 生成caption 的质量。经综合比较,GPT4V 和CogVLM 生成的caption 质量较高,再考虑成本,Kolors 最终选用了CogVLM 来生成caption。并且,除了GPT4-V 和InternVL-XComposer 之外,作者发现直接生成的中文caption 质量明显差于英文caption,因此作者选择先生成英文caption 然后翻译为中文。MLLM 机造caption 的质量虽然比原caption 高,但是有些原caption 包含的专有名词(如故宫、月饼)却是无法由MLLM 生成出来。因此,Kolors 选择原始caption 和机造caption 50:50 的比例来进行训练,这与SD3 的策略相同。有了强大的文本编码器模型和高质量的caption 数据,Kolors 展现出了强大的复杂中文提示词理解能力。从下图可以看到,使用GLM 作为文本编码器的Kolors 对提示词内容的生成更完整,且属性绑定正确。中文文本渲染能力准确生成文字的能力一直是文生图模型的一大难题。DALL-E 3 和SD3 已经有了很强的英文文字生成能力。但是,目前还未有模型具有中文文字的生成能力。中文文字的生成有两点困难:一是相比于英文呢,中文汉字的集合太大,而且纹理结构更复杂;二是缺少中文文字的图文对数据。为了提升中文文字的生成能力,Kolors 从两个方面准备数据。一是选择50000 个最常用的汉字,机造生成了一个千万级的中文文字图文对数据集。但是机造数据毕竟真实性不足。因此,第二方面又实用OCR 和MLLM 生成了海报、场景文字等真实中文文字数据集,大概有百万量级。作者观察到,虽然使用机造数据一开始中文文字的生成能力的真实性比较差,但是在结合高质量真实数据之后,真实性大大提升,而且即使是真实数据中不存在的汉字的真实性也得到了提升。图片视觉质量作为一个生图模型,好不好看,自然才是最关键的指标。Kolors 从数据和训练方法两方面入手,提升图片视觉质量。在网络结构方面,Kolors 没有进行改动,仍旧使用与SDXL 一致的UNet 结构。高质量数据Kolors 的训练分为概念学习和质量提升两个阶段。在概念学习阶段,Kolors 在十亿级的图文对数据集上进行训练,该阶段的数据包括开源的LAION、DataComp、JourneyDB 等,也包括一些公司的内部数据。通过平衡各个类的样本数量,确保在该阶段能够学习到广泛的视觉概念。这是所有文生图模型训练都包含的过程。重点在第二阶段,质量提升阶段,训练重点转移到提升图像的细节和美学质量,以及高分辨率的训练。笔者印象中,视觉质量提升阶段的重要性应当是Meta 的Emu 首先指出的,后来的Playground V2.5 等模型也都加入了视觉质量提升阶段的训练。实际上,可以将第一阶段概念学习阶段类别为LLM 的纯自回归的预训练阶段,将第二阶段的质量提升阶段类比为LLM 对齐人类偏好的SFT 阶段。类比LLM,文生图模型的两阶段训练也可以看作是第一阶段学习大量的知识和概念,第二阶段对齐人类的美学偏好。为了获取高质量的数据集,Kolors 首先使用常规的过滤策略(如分辨率、OCR 准确率、人脸数量、清晰度、美学分等)将图文对数据量级过滤到千万级。然后,将图片的质量划分为5 个等级,人标!最终得到了百万量级的高质量图片。Kolors开源文生图资料库:‍‬‍‬​​​​⁠‍‌⁠‬‍‬‬​​‍​‬‌​⁠‌‌⁠‍‬​‬​​​⁠​​‬‍​​​​‌👏Kolors开源文生图资料库- 飞书云文档(feishu.cn)Kolors 可图优质咒语书完整639条风格咒语书链接:‌‍‌​​​​‌⁠⁠‌​​‌‍‌​‌‌​​‬​​‌​‍​​​‬​​​‌‍⁠‌​‬‌​‍​​可图优质咒语书- 飞书云文档(feishu.cn)Kolors开源文生图资料库:‍‬‍‬​​​​⁠‍‌⁠‬‍‬‬​​‍​‬‌​⁠‌‌⁠‍‬​‬​​​⁠​​‬‍​​​​‌👏Kolors开源文生图资料库- 飞书云文档(feishu.cn)电影歌星画风超高清、8K、超精细、{prompt} 的电影照片、美丽的灯光、出色的构图丑陋、变形、嘈杂、模糊、不适合工作场所一位可爱的女孩抽象表现主义抽象表现主义艺术,{prompt},高对比度,简约,色彩鲜艳,鲜明,戏剧性,表现主义丑陋、变形、嘈杂、模糊、低对比度、现实主义、真实感一位可爱的女孩学院风学术界,{prompt},常春藤盟校风格,朴素,戏剧化,别致的寄宿学校,学术界丑陋、变形、嘈杂、模糊、低对比度、邋遢、邋遢、蓬头垢面一位可爱的女孩动作人偶活动人偶,{prompt},塑料收藏活动人偶,收藏玩具活动人偶丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩可爱的3D角色可爱的3D 角色,{prompt},3D 渲染,可爱的角色,3D 艺术丑陋、变形、嘈杂、模糊、低对比度、邋遢、凌乱、照片、逼真一位可爱的女孩可爱卡哇伊风格可爱的卡哇伊,{prompt},漂亮,可爱,可爱,卡哇伊丑陋、变形、嘈杂、模糊、低对比度、哥特式、黑暗、喜怒无常、单色一位可爱的女孩艺术装饰风格装饰艺术,{prompt},光滑的几何形状,装饰艺术风格丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩新艺术风格新艺术,美丽的艺术,{prompt},光滑,有机形式,长,蜿蜒,新艺术风格丑陋、变形、嘈杂、模糊、低对比度、工业、机械一位可爱的女孩星体光环星界光环,{prompt},星界的,多彩的光环,充满活力的能量丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩先锋派前卫,{prompt},不寻常的,实验性的,前卫艺术丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩巴洛克风格巴洛克风格,{迅速},戏剧性,旺盛,宏伟,巴洛克艺术丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩包豪斯风格海报包豪斯风格海报,{prompt},简单的几何形状,干净的线条,原色,包豪斯风格海报丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩蓝图原理图绘制蓝图示意图,{prompt},技术图纸,蓝图,示意图丑陋、变形、嘈杂、模糊、低对比度一位可爱的女孩漫画漫画,{prompt},夸张的,滑稽的,讽刺画丑陋、变形、嘈杂、模糊、低对比度、逼真一位可爱的女孩单色阴影艺术卡通渲染艺术,{prompt},2D,平面色彩,卡通渲染,卡通渲染风格丑陋、变形、嘈杂、模糊、低对比度完整639条风格咒语书链接:‌‍‌​​​​‌⁠⁠‌​​‌‍‌​‌‌​​‬​​‌​‍​​​‬​​​‌‍⁠‌​‬‌​‍​​可图优质咒语书- 飞书云文档(feishu.cn)Kolors社区微调模型Kolors-可丽(Kolors Girl)人体科学中英文LoRA 【点击直达】Kolors-可丽(Kolors Girl)人体科学中英文LoRA - 可图KOLORSGirl | Stable Diffusion Model - LoRA | Tensor.Art (tusiart.com)更多了解Kolors 可图开源模型Kolors开源文生图资料库:‍‬‍‬​​​​⁠‍‌⁠‬‍‬‬​​‍​‬‌​⁠‌‌⁠‍‬​‬​​​⁠​​‬‍​​​​‌👏Kolors开源文生图资料库- 飞书云文档(feishu.cn)
6
2025吐司年度用户大赏来啦

2025吐司年度用户大赏来啦

2025年即将翻篇,这一年你在TA上留下了多少"高光时刻"?是深夜爆肝训练模型的你?还是随手一发就引爆社区的神帖作者?又或是默默点赞、收藏、REMIX别人作品的"幕后推手"?别藏了!我们从创作力、活跃度、社区互动到氪金豪气值......多维度挖出了2025年度最闪亮的你
5
10
模型训练与素材库重大功能更新!

模型训练与素材库重大功能更新!

我们非常激动地宣布,tusi.cn迎来了一系列重大功能更新!这些更新旨在让您的模型训练流程变得更加高效、灵活且易于管理。🔹 1. 素材库现已全面支持“打标”功能•文件夹管理:您现在可以在资源库中创建文件夹,并直接在文件夹内为您的图片或视频进行打标•无缝衔接训练:整理好的文件夹可以一键导入在线训练任务,也可以下载到本地用于本地训练•一站式资产管理:在一个地方即可轻松完成训练素材的组织、管理和备份,告别杂乱此外,我们优化了左侧面板的交互,让标签编辑更加直观。同时,模型训练页面的打标组件也同步进行了升级,为您提供一致的操作体验。🔹 2. 新增三款强大的打标模型为了提升打标的精准度,我们引入了3 款全新的视觉语言模型:•gemini-3-flash•gemini-2.5-flash•qwen-3-vl✨ 核心亮点:这些模型支持“风格偏好提示词”,让您可以根据需求精确引导打标结果。👉 我们为您提供了多种预设模板,您也可以根据训练集的具体特征,自由配置专属的打标提示词(Labeling Prompt)。📌 温馨提示:使用这三款新模型打标会消耗少量积分。如果您有需要,可以随时切换回原有的免费模型。🔥 此次更新是对于模型训练者的重大利好—— 更科学的素材组织、更智能的打标工具以及更丝滑的训练流程。立即体验新功能,开启您的创作之旅吧!
4
2
WAN2.5价格调整通知

WAN2.5价格调整通知

💙 WAN2.5价格调整通知大家好,很抱歉要临时做出通知。WAN2.5 依赖的第三方API 成本让我们已经难以维持当前的价格。为了让服务能够持续稳定运营,我们将在约1小时后调整WAN2.5 的视频任务消耗:1080p:上调10%480p / 720p:上调65%这是我们经过多次权衡后做出的艰难决定。即便如此,调整后的价格仍是全网最低,我们也尽力不让任何多余成本转嫁给大家。感谢大家一直以来的理解与支持,我们会继续优化服务,让大家的体验物有所值❤
3
1
小工具

小工具

用小工具解决移动端工作流问题是很好的方向,但不建议很多的参数设置,会影响体验,如何把Ai绘画用到实处会是每个玩家必须考虑的问题,走电商,手绘,玩偶,一致性,电影,效果图都是不错的选择
2
新模型简介:腾讯混元文生视频模型新尝试

新模型简介:腾讯混元文生视频模型新尝试

腾讯混元文生视频模型HunyuanVideo,这是一种新颖的开源视频基础模型,它在视频生成方面的性能与领先的闭源模型相当,甚至优于后者。混元视频模型,采用了几种关键的模型学习技术,包括数据管理、图像-视频联合模型训练和高效的基础设施,以促进大规模的模型训练和推理。此外,通过有效的模型架构和数据集缩放策略,成功地训练了一个具有超过130亿个参数的视频生成模型,使其成为所有开源模型中最大的。该模型的设计,为确保高视觉质量,运动多样性,文本视频对齐和生成稳定性。有专业的人类评估,混元视频超越了之前最先进的模型,包括Runway Gen-3, Luma 1.6,以及3个表现最好的中国视频生成模型。通过发布基础模型及其应用的代码和权重,弥合了闭源和开源视频基础模型之间的差距。这一举措将使文生视频开源社区的每个人都能尝试自己的想法,从而形成一个更有活力的视频生成生态系统。这是我测试的一段科幻视频,真的很棒。https://fal.ai/models/fal-ai/hunyuan-video?share=a20205ee-1949-4a52-8a30-b0728f992e79
2
订阅功能将于10.15下线 - 创作者通知

订阅功能将于10.15下线 - 创作者通知

吐司重要更新:订阅功能将于10.15下线亲爱的吐司创作者,为了简化平台的盈利模式并更好地支持您的商业化变现,我们决定将重心转向更有影响力和更直接的盈利方式,并将于2025年10月15日取消订阅功能。以下是我们为您准备的详细信息,帮助您顺利过渡。变动内容:9月16日:停止订阅购买:从9月16日起,用户将无法购买新的订阅。现有订阅保持有效:您的现有订阅和已购买的所有订阅将在10月15日之前保持有效,但无法新增。10月15日:订阅功能下线:所有现有订阅将被取消。过往订阅记录将被清除:10.15号后记录将被清除,在此之前你可以到网站上查看和保存您之前的记录。对仍关联了订阅的内容的影响:模型:包含这些模型的项目将被设置为私密。AI工具:工具将仅对您可见,直到您进行任何修改。  请注意:如果项目中的任何模型与现有订阅相关联,整个项目将在10月15日被设置为私密。请确保检查所有关联模型,以避免任何中断。退款:将根据订阅用户剩余时间比例进行退款【退款全部由平台承担,不会扣除作者钱包】我们建议您:10月15日之前:取消现有订阅,以确保您的内容保持公开。 为了减少对您已订阅用户的影响,我们建议您在尽量接近10月15日时进行修改。加入我们另一个激励盈利计划——会员专区,以继续产生收入。或者开启付费下载和运行。“会员专区”让您可以继续从您的粉丝群体中获得丰厚的回报。了解更多关于会员专区的细节👉 会员小工具 ;会员模型感谢您的理解与配合。如有任何问题或需要帮助,我们的团队随时为您提供支持。欢迎添加我们运营的企业微信。此致,吐司团队
1
水-一个对于不同底模的使用疑问

水-一个对于不同底模的使用疑问

现在有好几种底模我比较想知道各位是不是出图质量优先底模是不是新的无所谓water
1
AI模型的自动化与智能化趋势

AI模型的自动化与智能化趋势

随着人工智能技术的飞速发展,模型炼制——即从原始数据到高效、精准预测模型的构建过程,正经历着前所未有的变革。未来的模型炼制将更加注重自动化与智能化,旨在降低门槛、加速创新,并推动AI技术在更多领域的广泛应用。本文将深入探讨模型炼制技术的未来趋势,包括自动化流程、智能优化算法以及AI在模型炼制中的自我进化能力。一、自动化流程:从数据到模型的无缝衔接自动化数据处理:利用先进的机器学习算法自动进行数据清洗、特征工程和数据增强,减少人工干预,提高数据处理效率和准确性。模型选择与调优自动化:基于元学习和贝叶斯优化等技术,自动探索最优模型架构和参数配置,实现模型性能的快速迭代提升。部署与监控自动化:构建端到端的自动化部署流水线,包括模型评估、版本控制、实时监控与自动更新,确保模型在生产环境中的稳定运行和持续优化。二、智能优化算法:解锁模型潜力进化算法与强化学习:结合进化计算和强化学习策略,探索更广泛的模型空间,发现传统方法难以触及的高性能模型。神经网络架构搜索(NAS):通过自动化搜索最优神经网络结构,实现模型复杂度和性能的最佳平衡,为特定任务定制最优模型。自适应学习率与动态调整:发展更智能的学习率调整策略,如AdamW、LAMB等变体,以及基于模型状态的动态调整机制,加速训练过程并提升收敛性能。三、AI的自我进化:模型炼制的新范式自监督学习与预训练模型:利用大规模未标注数据进行自监督学习,预训练通用模型,再针对特定任务进行微调,显著提升模型泛化能力和适应性。模型解释性与可解释AI:在追求高性能的同时,加强对模型决策过程的解释性,开发更加透明、可信的AI系统,促进人机协作与信任。持续学习与知识蒸馏:使模型具备持续学习的能力,能够从新数据中不断更新知识,同时利用知识蒸馏技术,将复杂模型的知识有效传递给轻量级模型,以适应资源受限的环境。
1
模型经验分享

模型经验分享

在模型训练中,确保数据质量是关键,需进行数据清理和增强。选择合适的模型架构,并注重参数调整。使用网格搜索或贝叶斯优化可以提高效率。验证中,要划分训练、验证和测试集,利用适当指标评估模型表现。最后,持续监控和调整模型来达到模型的最佳状态。#圣诞攻略
1
InfiniteTalk-Single模型玩法教程

InfiniteTalk-Single模型玩法教程

大家好!最近InfiniteTalk-Single模型上线吐司了,不知道各位有没有体验一下呢?如果感兴趣但不知道如何入手,请往下看👇👇👇我们以活动TENTENの抽象新品发布会 为例,为大家整理了详细的玩法教程~效果展示首先来看最终作品——效果还是很不错的,主体角色的神态、语言、动作表现都很流畅生动,其他主体的动态也比较自然小猫带回家| image created by egneerc | 吐司tusi.cn那么,想要做出这样的效果需要做哪些准备、注意哪些技巧呢,跟随我一起来看吧~详细教程STEP 1:素材准备在吐司首页点击创建数字人任务,进入到工作台后会看到,我们需要:一张主体图像素材一段参考音频素材为了让最终作品更加符合活动主题,我们需要对素材进行一些加工图像素材在本次的活动中,角色主体当然就是我们的吉祥物TenTen!(是的就是这个青色毛豆腐,点击链接立即下载)调节比例如果觉得横屏/竖屏的效果更好,可以使用下方的扩图小工具https://tusi.cn/template/800302293030297861上传素材,输入提示词,设置好扩展的像素数,一张符合需求的扩展图就做好了💡小技巧:使用【解析图片】功能,可以更快更方便地生成画面内容描述哦在这里放两张参考图,大家按需自取生成场景调整完素材的比例后就可以开始搭建场景了打开吐司的在线生图工作台,找到【编辑】功能,上传前面改好的图片选择合适的模型,输入提示词等其他参数💡各位可以尽情地发挥想象力,构思最大胆、最有趣、最无厘头的产品,让TenTen为它代言例如,我们把「猫咪」当作要发布的产品,围绕创意在提示词中加入了“宠物店背景”、“穿着围裙的店员”、“几只可爱的小猫”等元素为了展现「发布会」的主题,我们又在提示词中加上了”喇叭“、“聚光灯”等关键词,以及“镜头聚焦”、“专业氛围”等风格描述大家也可以进一步用“高清”、“4k画质”等等提示词对图片的品质提出要求💡小技巧:灵感缺席时,可以使用上图标出的【翻译】【随机】等功能,一键生成提示词,解放思维!最后的图片效果就是这样了!音频素材别忘了,我们还需要一个音频素材:如果你有已经准备好的音频,只需要点击【参考音频】灰色的部分,直接将本地文件上传到工作台中如果你想让吐司帮助你生成音频,则需要点击【创建】,输入你想让角色说的话,并选择角色的音色(可以通过上传参考音频自定义音色哦)生成结果会出现在任务队列里,点击【使用】就可以自动填充到参考音频模块中啦STEP 2:素材上传准备工作做好了,现在让我们把图片和音频素材打包丢给InfiniteTalk模型,等待魔法的发生~来吧,用提示词为TenTen设计它的表情和动作,让它动起来!视频做好后,不要忘了带上tag #TENTEN新品发布会发布帖子到吐司平台,丰厚大奖等你来拿!(参与活动的视频时长需要>3s哦)更多活动信息请看这里👉https://tusi.cn/blackboard/intalk?tab=info希望大家都能在玩吐司的过程中找到乐趣🤩🥰
2

WAN2.2 吐司的一些使用体验

1、这个参数选项:WAN2.2:质量模式,16:9/1440p,视频放在封面图,提示词如下:总结:①这个模式在提示词遵循方面是最好的,运镜、氛围感、打光都很好遵循;②运动幅度大,整体画面运动速度很大,在简单的4秒内,内容展现最多;③画面噪点很多,从周围环境到动物毛发,可以说是像是点画;建议:使用这个模式,提示词的运动幅度小些;2、720P参数:提示词:总结:①提示词遵循不错,但是速度感没体现出来;②运动幅度中等;③画面噪点改善很多;最推荐3、快速,720P:提示词:总结:①提示词遵循:吞掉了一个右环绕运镜,吞掉了聚焦到老虎眼神,其他的还行;②运动幅度中等;③画面噪点多;4、最后:大家注意下违禁词;拜!
吐司FLUX 快速训练三步法!超级小白也能会!!

吐司FLUX 快速训练三步法!超级小白也能会!!

打开官网https://tusiart.work/找一些素材放入 打标设置成自然打标默认参数即可 模型预览可以复制自然语言的打标语
1
求助帖lllustrious模型怎么训练?

求助帖lllustrious模型怎么训练?

lllustrious模型在线怎么训练?各位大佬有好的方法或者详细的训练数据?
从大数据到强AI的跨越

从大数据到强AI的跨越

在大数据时代背景下,模型炼制技术正逐步从处理海量数据向挖掘数据深层价值、驱动强人工智能发展迈进。本文旨在展望模型炼制技术在这一过程中的关键突破与未来方向,探讨如何借助大数据的力量,实现模型性能与智能水平的飞跃。一、大数据驱动的模型创新深度学习与大数据的深度融合:利用大规模数据集训练深度学习模型,挖掘数据中的深层次规律和模式,推动图像识别、自然语言处理等领域取得重大进展。分布式计算与模型训练加速:借助云计算、边缘计算等技术,实现模型训练过程的分布式处理,显著提高大规模数据集的处理速度和效率。二、模型炼制技术的智能化升级自适应学习机制:开发能够根据数据变化自动调整结构和参数的模型,如自适应神经网络,提高模型对新环境的适应能力和泛化能力。知识图谱与模型融合:结合知识图谱的语义表示能力,增强模型对复杂情境的理解与推理能力,推动模型向更高层次的认知智能发展。三、面向未来的挑战与机遇数据质量与隐私保护:在追求模型性能的同时,如何确保数据质量、保护用户隐私,是模型炼制技术必须面对的挑战。跨学科融合与人才培养:模型炼制技术的未来发展需要计算机科学、数学、统计学、心理学等多学科交叉融合,培养具备跨学科知识与技能的复合型人才至关重要。
AI小工具的使用感想

AI小工具的使用感想

在这个数字化时代,AI技术已经深入到我们生活的方方面面,而最近我体验了一款将图片转变成视频的AI工具,更是让我对AI的神奇之处有了更深的认识。(https://tusiart.com/template/797740177786303241)使用这款工具的过程非常简便,只需将想要转化的图片上传,几分钟后,一个生动有趣的视频就生成了。这种高效、便捷的操作方式,让我感受到了AI技术带来的无限可能。更令人惊喜的是,这款工具不仅转化速度快,而且生成的视频质量也相当高。图片中的每一个细节都得到了完美的呈现,视频效果流畅自然,仿佛这些图片本就该以动态的形式存在。这种技术不仅为我的日常生活增添了乐趣。当然,这款工具也并非没有改进的空间。例如,在视频风格的多样性上,还有待进一步丰富。但总的来说,它已经做得相当出色,让我对AI技术充满了期待。这次体验让我深刻体会到,AI技术正在以我们无法想象的速度改变着世界。它不仅能够提高我们的工作效率,还能为我们的生活增添更多的色彩和乐趣。我相信,在未来的日子里,AI技术会带给我们更多的惊喜和感动。我也期待着自己能够更深入地了解和掌握AI技术,为这个世界贡献自己的一份力量。