Useful Quality Embeddings badv5

7928°

#anime #inversi tekstual #gaya seni

NSFW

Model NSFW. Gambarnya disembunyikan selama NSFW mati; nyalakan NSFW untuk melihatnya.

Jalankan model ini

Penawaran / Iklan

Easy Creator (Prism) Web

Tak terbatas · biaya tetap

Terbaik untuk pemula. Alur kerja yang kuat, kurva pembelajaran rendah.

PirateDiffusion Telegram

Tak terbatas · biaya tetap

Buat video, gambar, persona chat kustom, dan lainnya.

Pro studio (SpyGlass) Web

Tak terbatas · biaya tetap

Jelajahi model, render, dan perbaiki dari browser atau ponsel mana pun.

Discord bot (Vector)

Tak terbatas · biaya tetap

Tambahkan Vector ke servermu atau gabung Discord Vector. Buat apa saja!

Unified Editor Web

Tak terbatas · biaya tetap

Editor untuk gambar dan video: render, edit, tingkatkan kualitas, dan lainnya dalam satu halaman.

Civitai Web

Bayar per penggunaan

Buat di situs Civitai; setiap gambar dibayar dengan kredit Buzz.

Aplikasi lokal

Perlu pengaturan

Install program lokal kalau komputermu punya hardware yang cukup.

ModelDuel Web

Bayar per penggunaan

Hasilkan prompt yang sama pada hingga 50 model checkpoint/base sekaligus.

Sewa GPU di cloud

Graydient Cloud GPU

Tak terbatas · biaya tetap

Biaya tetap, penggunaan tanpa batas. Model ini terpasang dengan satu klik.

RunPod Cloud GPU

Dikenakan per menit

Sewa GPU per menit dan atur model sendiri.

Dibuat oleh

Euge_

di Civitai

Catatan pembuat

介绍（中文）基本信息该页面为推荐用于 AnimeIllustDiffusion [1] 模型的所有文本嵌入（Embedding）。您可以从版本描述查看该文本嵌入的信息。使用方法您应该将下载到的负面文本嵌入文件置入您 stable diffusion 目录下的 embeddings 文件夹内。之后，您只需要在填写负面提示词处输入 badv4 即可。评价参数每个文本嵌入将从以下参数描述其特性：正/负面文本嵌入：如果一个文本嵌入是正面文本嵌入，则您应该将它填写在正面提示词内发挥作用；反之，如果一个文本嵌入是负面文本嵌入，则您应该将它填写在负面提示词内发挥作用。作用范围：一个文本嵌入主要影响的画面内容。向量数：代表该文本嵌入占多少个词元。通常来说，您输入提示词中超过 75 个词元的部分会被忽略。因此，一个文本嵌入的向量数越少，您填入它之后剩余输入提示词的空间越多。向量强度：一个词元向量值的大小。向量强度越高，效果越强。普通词元的向量强度为[-0.05,0.05]。不可将用括号增强提示词等效于增强向量强度。 Introduction (English) Basic Information This page contains all the text embeddings recommended for use with the AnimeIllustDiffusion model [1]. You can view information about the text embeddings from the version description. Usage You should place the downloaded negative text embedding file in the embeddings folder of your Stable Diffusion directory. After that, you only need to enter "badv4" in the field for negative prompts. Evaluation Parameters Each text embedding is described by the following parameters: Positive/Negative Text Embedding: If a text embedding is a positive text embedding, it should be used in positive prompts. Conversely, if a text embedding is a negative text embedding, it should be used in negative prompts. Scope: The main content of the image that a text embedding will primarily affect. Vector Count: The number of token that the text embedding represents. Generally, the part of a prompt containing more than 75 tokens will be ignored. Therefore, the fewer the number of vectors in a text embedding, the more space you will have left to input the prompt. Vector Strength: The magnitude of a token's vector. The higher the vector strength, the stronger the effect. The vector strength of token is usually between [-0.05, 0.05]. Using parentheses to enhance prompts is not equivalent to increasing vector strength. 引用 / References [1] AnimeIllustDiffusion Model Webpage:

Kata pemicu

badv5

9,468 unduhan · 196 suka di Civitai

SHA256

0A3705F6D8E9E49374FB5D8A95373EF494BAC14E341BBF731B0247B7606AAE3B

Tren popularitas Useful Quality Embeddings badv5

Skor panas, 12 bulan terakhir

Skor panas

7,928°

Minggu ini

▼

0.1%

7,930° dulu, 7,928° sekarang

Bulan ini

▼

0.2%

7,935° dulu, 7,928° sekarang

Tahun lalu

▼

2.8%

8,014° dulu, 7,928° sekarang

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,193°

Unduhan Civitai

9,468 unduhan versi tepat ini di Civitai. Unduhan adalah bahan terberat dan dihitung dalam skala log: sepuluh kali unduhan menambah 300° yang sama, jadi model dengan sejuta unduhan tidak seribu kali lebih panas dari yang seribu unduhan. Enam sumber unduhan berbagi satu istilah itu, dibagi proporsional sesuai jumlahnya.

+344°

Suka

196 suka dan jempol ke atas dari berbagai sumber. Suka dihitung setengah unduhan, dengan skala log yang sama.

−609°

Usia

−609° karena bobot SD15 keluar di 2022. Setiap model mewarisi usia bobot yang dipakai: 150° per tahun, sampai 750°, dan terus bertambah sampai itu. Tanpa ini, puncak daftar akan diisi checkpoint 2022 dan 2023 hanya karena unduhan yang sudah bertahun-tahun menumpuk.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 7,928°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
9,468 setara unduhan secara total, dari Unduhan Civitai. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,193°
8,193°
total berjalan
3
Tambahkan suka.
196 suka dan jempol ke atas, dengan bobot setengah dari satu unduhan.
+344°
8,537°
total berjalan
4
Lepaskan usia.
Bobot SD15 keluar di 2022: 150° per tahun, sampai 750°, bertambah sampai saat itu.
−609°
7,928°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
7,928°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Contoh render

NSFW

Prompt dan pengaturan yang dibagikan oleh orang-orang yang membuat render ini di Civitai. Pilih sebuah render untuk melihat cara membuatnya.