DPO (Direct Preference Optimization) LoRA for XL and 1.5 OpenRail++

Bäst för nybörjare. Kraftfulla arbetsflöden, låg inlärningströskel.

PirateDiffusion Telegram

Pro studio (SpyGlass) Webb

Skapa videor, bilder, anpassade chattpersonligheter med mera.

Bläddra bland modeller, rendera och förbättra från vilken webbläsare eller telefon som helst.

Discord bot (Vector)

Lägg till Vector till din server eller gå med i Vector Discord. Skapa vad som helst!

Unified Editor Webb

Redigerare för bilder och video: rendera, redigera, förstora och mer på en sida.

Civitai Webb

Betala per användning

Generera på Civitais egen sida; varje bild betalas med Buzz-krediter.

Lokala appar

Kräver installation

Installera lokala program om din dator har tillräcklig prestanda.

ModelDuel Webb

Betala per användning

Generera samma prompt på upp till 50 checkpoint-/basmodeller samtidigt.

Hyra GPU i molnet

Graydient Cloud GPU

4,006 nedladdningar · 113 gillningar på Civitai

Fast avgift, obegränsad användning. Denna modell installeras med ett klick.

RunPod Cloud GPU

Debiteras per minut

Hyra GPU per minut och installera modellen själv.

Skapad av

enfugue

på Civitai

__html__What is DPO?DPO is Direct Preference Optimization, the name given to the process whereby a diffusion model is finetuned based on human-chosen images. Meihua Dang et. al. have trained Stable Diffusion 1.5 and Stable Diffusion XL using this method and the Pick-a-Pic v2 Dataset, which can be found at https://huggingface.co/datasets/yuvalkirstain/pickapic_v2, and wrote a paper about it at https://huggingface.co/papers/2311.12908.What does it Do?The trained DPO models have been observed to produce higher quality images than their untuned counterparts, with a significant emphasis on the…__html__What is DPO?DPO is Direct Preference Optimization, the name given to the process whereby a diffusion model is finetuned based on human-chosen images. Meihua Dang et. al. have trained Stable Diffusion 1.5 and Stable Diffusion XL using this method and the Pick-a-Pic v2 Dataset, which can be found at https://huggingface.co/datasets/yuvalkirstain/pickapic_v2, and wrote a paper about it at https://huggingface.co/papers/2311.12908.What does it Do?The trained DPO models have been observed to produce higher quality images than their untuned counterparts, with a significant emphasis on the adherence of the model to your prompt. These LoRA can bring that prompt adherence to other fine-tuned Stable Diffusion models.Who Trained This?These LoRA are based on the works of Meihua Dang (https://huggingface.co/mhdang) athttps://huggingface.co/mhdang/dpo-sdxl-text2image-v1 and https://huggingface.co/mhdang/dpo-sd1.5-text2image-v1, licensed under OpenRail++.How were these LoRA Made?They were created using Kohya SS by extracting them from other OpenRail++ licensed checkpoints on CivitAI and HuggingFace.1.5: https://civitai.com/models/240850/sd15-direct-preference-optimization-dpo extracted from https://huggingface.co/fp16-guy/Stable-Diffusion-v1-5_fp16_cleaned/blob/main/sd_1.5.safetensors.XL: https://civitai.com/models/238319/sd-xl-dpo-finetune-direct-preference-optimization extracted from https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/blob/main/sd_xl_base_1.0_0.9vae.safe

Skaparens anteckningar

What is DPO? DPO is Direct Preference Optimization, the name given to the process whereby a diffusion model is finetuned based on human-chosen images. Meihua Dang et. al. have trained Stable Diffusion 1.5 and Stable Diffusion XL using this method and the Pick-a-Pic v2 Dataset, which can be found at , and wrote a paper about it at . What does it Do? The trained DPO models have been observed to produce higher quality images than their untuned counterparts, with a significant emphasis on the adherence of the model to your prompt. These LoRA can bring that prompt adherence to other fine-tuned Stable Diffusion models. Who Trained This? These LoRA are based on the works of Meihua Dang () at and , licensed under OpenRail++. How were these LoRA Made? They were created using Kohya SS by extracting them from other OpenRail++ licensed checkpoints on CivitAI and HuggingFace. 1.5: extracted from . XL: extracted from These are also hosted on HuggingFace at

SHA256

D4EC63A436DBD20E5CAC4A3E9A1FD0C59FB2513018266252C4EE9EBEB5CE6762

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Popularitetstrend för DPO (Direct Preference Optimization) LoRA for XL and 1.5 OpenRail++

Värmenpoäng, senaste 12 månaderna

Värmescore

7,780°

Den här veckan

▲

0.1%

7,782° då, 7,780° nu

Den här månaden

▲

0.4%

7,787° då, 7,780° nu

Senaste året

▲

8.0%

7,846° då, 7,780° nu

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,080°

Civitai-nedladdningar

4,006 nedladdningar av denna exakta version på Civitai. Nedladdningar är den tyngsta ingrediensen och räknas på en logaritmisk skala: tio gånger nedladdningarna lägger till samma 300°, så en modell med en miljon nedladdningar är inte tusen gånger hetare än en med tusen. De sex nedladdningskällorna delar på den termen, fördelat efter deras antal.

+309°

Gilla-markeringar

113 gilla-markeringar och tummar upp över källorna. En gilla-markering väger som en halv nedladdning, på samma logaritmiska skala.

−609°

Ålder

−609° eftersom SD15-vikterna släpptes 2022. Varje modell ärver vikternas ålder som den bygger på: 150° per år, upp till 750°, och den fortsätter växa tills dess. Utan det skulle toppen av listan vara checkpoints från 2022 och 2023 baserat på nedladdningar som hunnit samlas under år.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 7,780°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
4,006 nedladdnings-ekvivalenter totalt, från Civitai-nedladdningar. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,080°
8,080°
löpande total
3
Lägg till gillanden.
113 gillanden och tummar upp, värda hälften av en nedladdning.
+309°
8,389°
löpande total
4
Ta bort åldern.
SD15-vikterna släpptes 2022: 150° per år, upp till 750°, växande fram till dess.
−609°
7,780°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
7,780°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Exempelrenderingar

Prompter och inställningar delade av personerna som gjorde dessa renderingar på Civitai. Välj en rendering för att se hur den gjordes.

Hämta denna prompt

Render by Sajrep on

Inställningar

Sampler

LMS

Steg

Guidance

Seed

987610379621410

Storlek

512x512

Prompt

cute slime girl, happy, wearing heavy armor, chainmail, green, slime, glowing, bones, looking at viewer, side view, detailed background <lora:Hyper-SD15-8steps-lora:0.75> <lora:sd_v15_dpo_lora_v1:0.5> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:0.5>

Render by Sajrep on

Inställningar

Sampler

LMS

Steg

Guidance

Seed

345043061657583

Storlek

512x512

Prompt

Sonic the Hedgehog, bloody, blood, injured, staggering, grinning, determined, surrounded, detailed, hyperdetailed <lora:Hyper-SD15-8steps-lora:0.75> <lora:sd_v15_dpo_lora_v1:0.75> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:0.25>

Render by Sajrep on

Inställningar

Sampler

DPM++ 2M

Steg

Guidance

7.5

Seed

556051207637958

Storlek

512x512

Prompt

feral sylveon, angry, barking, dangerous, angular, intimidating, moon, destruction, moonbeam, energy beam from the moon, glitter, realistic detailed fur <lora:sd_v15_dpo_lora_v1:1.0> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:1.0>

Negativ prompt

embedding:deformityv6, embedding:boring_e621_fluffyrock_v4

Render by Sajrep on

Inställningar

Sampler

DPM++ 2M

Steg

Guidance

7.5

Seed

556051207637958

Storlek

512x512

Prompt

ankha cat, detailed fur <lora:sd_v15_dpo_lora_v1:1.0> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:1.0> <lora:more_details:2.0>

Negativ prompt

embedding:deformityv6, embedding:boring_e621_fluffyrock_v4

Render by Sajrep on

Inställningar

Sampler

DPM++ 2M

Steg

Guidance

Seed

345043061657583

Storlek

512x512

Prompt

anthro, umbreon, female, drummer, drumming, (white tank top:1.2), grinning, energetic, motion, beating, dramatic lighting, cinematic, realistic detailed fur, photorealistic, viewed from below, (music notes:1.1) <lora:Hyper-SD15-12steps-CFG-lora:1.0> <lora:sd_v15_dpo_lora_v1:0.75> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:0.25>

Render by Sajrep on

Inställningar

Sampler

DPM++ 2M

Steg

Guidance

Seed

345043061657584

Storlek

512x512

Prompt

(manga:1.3), monochrome, feral, pegasus, Rainbow Dash, standing, shouting, serious, hooves, low angle view, dutch angle, cinematic <lora:Hyper-SD15-12steps-CFG-lora:1.0> <lora:sd_v15_dpo_lora_v1:0.75> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:0.25>

Render by Sajrep on

Inställningar

Sampler

DPM++ 2M SDE

Steg

Guidance

Seed

345043061657583

Storlek

512x512

Prompt

anthro, pegasus, Rainbow Dash, wings, hooves, sport clothes, sitting on cloud, mlp, light blue fur, detailed fur, sunny <lora:Hyper-SD15-8steps-lora:0.75> <lora:sd_v15_dpo_lora_v1:0.75> <lora:spo-sd-v1-5_4k-p_10ep_lora_webui:0.25>

Render by Sajrep on