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

نئے شروع کرنے والوں کے لیے بہترین۔ طاقتور ورک فلو، کم سیکھنے کی مشکل۔

PirateDiffusion ٹیلیگرام

Pro studio (SpyGlass) ویب

ویڈیوز، تصاویر، حسبِ منشا چیٹ پرسناز، اور بہت کچھ بنائیں۔

Discord bot (Vector) ڈسکارڈ

کسی بھی براؤزر یا فون سے ماڈلز دیکھیں، رینڈر کریں اور بہتر بنائیں۔

اپنے سرور میں Vector شامل کریں یا Vector Discord میں شامل ہوں۔ کچھ بھی بنائیں!

Unified Editor ویب

استعمال کے حساب سے ادائیگی

تصاویر اور ویڈیو کے لیے ایڈیٹر: ایک صفحے پر رینڈر، ایڈٹ، اپسکیل اور مزید۔

Civitai ویب

Civitai کی اپنی سائٹ پر جنریٹ کریں؛ ہر تصویر Buzz کریڈٹس سے ادا ہوتی ہے۔

لوکل ایپس

سیٹ اپ درکار ہے

اگر تمہارے کمپیوٹر میں اچھا ہارڈویئر ہے تو اپنے کمپیوٹر پر لوکل پروگرام انسٹال کرو۔

ModelDuel ویب

استعمال کے حساب سے ادائیگی

ایک وقت میں 50 تک چیک پوائنٹ/بیس ماڈلز پر ایک ہی پرامپٹ تیار کریں۔

کلاؤڈ پر GPU کرایہ پر لیں

Graydient کلاؤڈ GPU

Civitai پر 4,006 ڈاؤن لوڈز · 113 لائکس

فلیٹ فیس، لامحدود استعمال۔ یہ ماڈل ایک کلک میں انسٹال ہوتا ہے۔

RunPod کلاؤڈ GPU

فی منٹ چارج

فی منٹ GPU کرایہ پر لیں اور ماڈل خود سیٹ اپ کریں۔

بنانے والا

enfugue

Civitai پر

__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

بنانے والے کے نوٹس

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

DPO (Direct Preference Optimization) LoRA for XL and 1.5 OpenRail++ کی مقبولیت کا رجحان

ہیٹ اسکور، پچھلے 12 مہینے

ہیٹ اسکور

7,780°

اس ہفتے

▲

0.1%

7,782° اس وقت، 7,780° اب

اس مہینے

▲

0.4%

7,787° اس وقت، 7,780° اب

گزشتہ سال

▲

8.0%

7,845° اس وقت، 7,780° اب

7,000°

فلور

اس پیمانے کی حد 0° سے 9,999° تک ہے۔ جو کچھ 7,000° سے نیچے ہے وہ ان ماڈلز کے لیے مخصوص ہے جن کی رپورٹ کسی ذریعہ سے نہیں آئی، اور وہاں ایک عارضی نمبر رکھا جاتا ہے تاکہ فہرستیں مکمل رہیں۔ 7,000° سے ماپا گیا ڈیٹا شروع ہوتا ہے: ایک ماڈل جس کے پاس اصل ڈیٹا ہے لیکن ڈاؤن لوڈز تقریباً نہیں ہیں، وہ فلور پر ہوتا ہے، اور اس کے اوپر کے ڈگریز ماپے جاتے ہیں۔ فلور ماڈل کے بارے میں کچھ نہیں بتاتا؛ صرف اس کے اوپر کے ڈگریز بتاتے ہیں، اور یہی ایک ماڈل کو دوسرے سے الگ کرتے ہیں۔

+1,080°

Civitai ڈاؤن لوڈز

Civitai پر اس عین ورژن کے 4,006 ڈاؤن لوڈز۔ ڈاؤن لوڈز سب سے زیادہ وزن رکھتے ہیں اور لاگ پیمانے پر شمار ہوتے ہیں: دس گنا ڈاؤن لوڈز سے 300° کا اضافہ ہوتا ہے، اس لیے ایک لاکھ ڈاؤن لوڈز والا ماڈل ہزار ڈاؤن لوڈز والے سے ہزار گنا زیادہ گرم نہیں ہوتا۔ چھ ڈاؤن لوڈ ذرائع اس ایک مدت کو اپنے تناسب سے تقسیم کرتے ہیں۔

+309°

پسند

مختلف ذرائع پر 113 پسند اور تھمز اپ۔ ایک پسند آدھے ڈاؤن لوڈ کے برابر وزن رکھتی ہے، اسی لاگ اسکیل پر۔

−609°

عمر

−609° کیونکہ SD15 کے وزن 2022 میں آئے۔ ہر ماڈل اس وزن کی عمر وراثت میں لیتا ہے جس پر وہ بنا ہے: سالانہ 150°، زیادہ سے زیادہ 750° تک، اور یہ تب تک بڑھتا رہتا ہے۔ اس کے بغیر فہرست کے اوپر 2022 اور 2023 کے چیک پوائنٹس ہوتے جو ڈاؤن لوڈز کی طاقت پر ہوتے جو سالوں میں جمع ہوئے۔

تفصیلی تجزیہ دکھائیں

اس سائٹ پر ہر نمبر چیک کیا جا سکتا ہے۔ اس ماڈل کا ہیٹ سکور 7,780° ہے، اور یہاں اسے ایک ایک جزو کے حساب سے بنایا گیا ہے، ہر جزو کے بعد کل سکور کے ساتھ: فلور، ہر ذریعہ کے اضافے والے ڈگریز، ماڈل کی قسم کے لیے بونس اور وزن کی عمر کا اثر۔ رنگ اوپر کے چارٹ کے بینڈز ہیں۔ آخر میں گلاسری ہر اصطلاح کی وضاحت کرتی ہے۔

1
فلور سے شروع کریں۔
کیوں 7,000° صفر نہیں: پیمانہ 0° سے 9,999° تک ہے، اور 7,000° سے نیچے کا حصہ ان ماڈلز کے لیے مخصوص ہے جن کی رپورٹ کسی ذریعہ سے نہیں آئی، جن کے لیے وہاں ایک عارضی نمبر رکھا جاتا ہے تاکہ فہرستیں مکمل رہیں اور وہ کبھی بھی ڈیٹا والے ماڈل سے اوپر نہ آئیں۔ 7,000° سے ماپا گیا ڈیٹا شروع ہوتا ہے۔ ایک ماڈل جس کے پاس اصل ڈیٹا ہے لیکن ڈاؤن لوڈز تقریباً نہیں ہیں وہ یہاں ہوتا ہے؛ جو کچھ بھی بعد میں آتا ہے وہ ماپ ہے، اور فلور کے اوپر جگہ میں ڈاؤن لوڈز کے دس دس گنا قدم ہوتے ہیں، ہر ایک 300° کے برابر۔ فلور ہر ماڈل کے لیے ایک جیسا ہے، اس لیے یہ کچھ فیصلہ نہیں کرتا؛ جو ڈگریز اس کے اوپر ہیں وہ فیصلہ کرتے ہیں۔
7,000°
چلتا ہوا کل
2
ڈاؤن لوڈز شامل کریں۔
کل 4,006 ڈاؤن لوڈ کے برابر، Civitai ڈاؤن لوڈز سے۔ ڈاؤن لوڈز کو دس گنا بڑھانے سے وہی 300° بڑھتا ہے، تو سائز اہم ہے لیکن اسکور پر قابو پاتا ہے۔
+1,080°
8,080°
چلتا ہوا کل
3
لائکس شامل کریں۔
113 لائکس اور تھمز اپ، جو ایک ڈاؤن لوڈ کے آدھے وزن کے برابر ہیں۔
+309°
8,389°
چلتا ہوا کل
4
عمر نکالیں۔
SD15 کے وزن 2022 میں آئے: سالانہ 150°، زیادہ سے زیادہ 750°، تب تک بڑھتے رہے۔
−609°
7,780°
چلتا ہوا کل
=
ہیٹ اسکور۔
یہ ماڈل اس سائٹ کی ہر فہرست میں کہاں کھڑا ہے۔ کچھ اور اس میں تبدیلی نہیں کرتا۔
7,780°

اصطلاحات: یہاں استعمال ہونے والی باتیں

ہیٹ اسکور: ایک نمبر جو بتاتا ہے کہ ماڈل ابھی کتنا استعمال ہو رہا ہے اور چاہا جا رہا ہے، 0° سے 9,999° تک۔ اس سائٹ کی ہر 'ہottest' فہرست اسی کے حساب سے ترتیب دی جاتی ہے۔
فلور: 7,000° وہ نقطہ جہاں ہر ماڈل جس کے پاس اصل ڈیٹا ہے شروع ہوتا ہے۔ پیمانہ 0° سے 9,999° تک ہے؛ فلور سے نیچے کا حصہ اسٹینڈ انز (ڈیٹا کے بغیر ماڈلز) کے لیے مخصوص ہے، تاکہ ڈیٹا والا ماڈل ہمیشہ بغیر ڈیٹا والے سے اوپر رہے۔ فلور سب کے لیے ایک جیسا ہے اور کچھ فیصلہ نہیں کرتا؛ اس سے اوپر کے ڈگری پیمائش ہیں۔
ڈاؤن لوڈ کے برابر: وہ سب کچھ جو اسکور ڈاؤن لوڈ کے برابر سمجھتا ہے، جمع کیا گیا: خود ڈاؤن لوڈز، ہر ٹورینٹ سیڈر کو 1,000 کے برابر، ہر AI Horde تصویر اور ہر جنریشن سائٹ پر رن کو ایک کے برابر۔
لاگ پیمانہ: دس کے حساب سے گنتی، ایک کے حساب سے نہیں: 1,000 سے 10,000 ڈاؤن لوڈز جانا وہی ڈگری بڑھاتا ہے جو 10,000 سے 100,000 جانا۔ یہ بڑے ماڈلز کو سب کچھ دبا دینے سے بچاتا ہے۔
لائکس: ہر ماخذ سے تھمز اپ اور لائکس، لاگ پیمانے پر ہر ایک آدھے ڈاؤن لوڈ کے برابر۔
قبولیت کی شرح: ابھی ماڈل کو روزانہ کتنے ڈاؤن لوڈز مل رہے ہیں، دو ریڈنگز کے فرق سے۔ ڈاؤن لوڈ کی اصطلاح کے وزن کا ایک چوتھائی حصہ۔
ماپا گیا اور اندازہ لگایا گیا: ماپا گیا مطلب ہے کہ کسی ماخذ کے دو ریڈنگز موجود ہیں اور فرق حقیقی ہے۔ اندازہ لگایا گیا مطلب ہے کہ صرف آج کا کل معلوم ہے اور ماضی ماڈل کی زندگی میں تقسیم کیا گیا ہے؛ سائٹ بتاتی ہے کہ کون سا دکھا رہا ہے۔
سیڈر: کوئی شخص جو وزن کی کاپی آن لائن رکھتا ہے تاکہ دوسرے اسے ٹورینٹ کے ذریعے ڈاؤن لوڈ کر سکیں، یا کوئی ہوسٹ کیا ہوا آئینہ جو یہی کام کرتا ہے۔ ہر ایک کو 1,000 ڈاؤن لوڈز کے برابر گنا جاتا ہے۔
AI ہورڈ: ایک رضاکار نیٹ ورک جو عطیہ شدہ کمپیوٹرز پر مفت تصاویر بناتا ہے۔ اس نے کسی ماڈل کے ساتھ کتنی تصاویر بنائی ہیں یہ عوامی ہے، اور ہر ایک کو ایک ڈاؤن لوڈ کے طور پر گنا جاتا ہے۔
جنریشن سائٹس: ایسی سائٹس جو اپنے ماڈل کی کاپیاں ہوسٹ کرتی ہیں اور لوگوں کو اس کے ساتھ جنریشن کی اجازت دیتی ہیں، جیسے PixAI، SeaArt اور Yodayo۔ ان کے ڈاؤن لوڈز Civitai کی طرح گنے جاتے ہیں اور ہر جنریشن رن کو ایک ڈاؤن لوڈ سمجھا جاتا ہے۔
OpenRouter ٹوکنز: ایک ٹیکسٹ ماڈل جو API کے ذریعے فراہم کیا جاتا ہے، جیسے Claude یا GPT، اس کے وزن ڈاؤن لوڈ کرنے کے لیے نہیں ہوتے، اس لیے اس کا استعمال ٹوکنز میں ناپا جاتا ہے: وہ ٹکڑے متن کے جو اس نے OpenRouter کے ذریعے پچھلے 30 دنوں میں پڑھے اور لکھے۔ ہر 10,000,000 ٹوکنز کو ایک ڈاؤن لوڈ شمار کیا جاتا ہے۔ ماخذ: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
مکمل ماڈل (چیک پوائنٹ): خود جنریشن کرنے والی فائل، یعنی وزن خود۔ اسے بونس ملتا ہے کیونکہ اس پر ایڈ آنز منحصر ہوتے ہیں۔
LoRA اور ایمبیڈنگ: چھوٹی ایڈ آن فائلیں جو کسی اور کے وزن کو ایک انداز، کردار یا تصور کی طرف لے جاتی ہیں۔ یہ اکیلے نہیں چل سکتیں۔
خاندان اور وزن: بنیاد جس پر ماڈل بنایا گیا ہے، جیسے SD 1.5، SDXL، Flux یا Wan۔ ہر ماڈل اپنے خاندان کے وزن کی ریلیز تاریخ وراثت میں لیتا ہے۔
عمر: کتنے عرصہ پہلے خاندان کے وزن جاری ہوئے اس کے لیے نکالے گئے ڈگریز: سالانہ 150°، زیادہ سے زیادہ 750°۔ یہ پرانے ڈاؤن لوڈز کو رکھتا ہے جن کے پاس سالوں کا وقت جمع ہونے کا موقع تھا تاکہ فہرست کے اوپر کو منجمد کر سکے۔
خاندانی بوسٹ: ایک چھوٹا، محدود دھکا LoRA کے لیے جس خاندان کو یہ سائٹ اس وقت آگے بڑھا رہی ہے، ہمیشہ تفصیل میں شامل ہوتا ہے۔
اسٹینڈ ان اسکور: ایک مستحکم نمبر جو اس فلور سے نیچے ہوتا ہے جو ابھی تک کسی ماخذ نے رپورٹ نہیں کیا، تاکہ فہرستیں مکمل رہیں۔ یہ کبھی بھی ڈیٹا والے ماڈل سے اوپر نہیں ہوتا۔
نیا! (گریس پیریڈ): ایک ماڈل جو 7 دن سے کم پرانا ہو، اس کی جگہ اسکور کی بجائے New! دکھائی جاتی ہے اور یہ درجہ بندی میں جگہ نہیں رکھتا۔ اس کا اسکور پہلے دن سے شمار کیا جاتا ہے، لیکن ایک دن پرانا ماڈل سب سے تیزی سے بڑھتا ہے، اس لیے بغیر انتظار کے ہفتے کا #1 ہمیشہ کل کا نیا ماڈل ہوتا، نہ کہ وہ جو ایک ہفتہ قائم رہا ہو۔
رجحان: کسی ماڈل کی ترقی کسی مدت میں عام ماڈل کی ترقی کے مقابلے میں کیسی ہے۔ عام سے تیز ترقی کو اضافہ سمجھا جاتا ہے، اور سست کو کمی۔
عام ماڈل: کتالوج کا وسط: نصف ماڈلز جن کے اعداد و شمار ہیں وہ اس مدت میں تیزی سے بڑھے، نصف سست۔

یہ ماڈل کی مقبولیت کیسی رہی ہے باقی کیٹلاگ کے مقابلے میں: ہر دورانیے میں ڈاؤن لوڈز، لائکس اور استعمال میں اس کی ترقی، عام ماڈل کی ترقی کے مقابلے میں، اور اس وقت کا اس کا ہیٹ اسکور۔ عام ترقی سے اوپر ہونا بڑھوتری ہے، نیچے ہونا کمی۔ ماضی کو آج کے کل اعداد و شمار، ماڈل کے پہلے دن اور جہاں دو ریڈنگز ہوں وہاں ڈاؤن لوڈ کی رفتار سے دوبارہ بنایا گیا ہے؛ اگر ماڈل دورانیے کے شروع میں موجود نہیں تھا تو n/a دکھایا جاتا ہے۔

مثالی رینڈرز

یہ پرامپٹس اور سیٹنگز Civitai پر ان لوگوں نے شیئر کیں جنہوں نے یہ رینڈرز بنائے۔ یہ دیکھنے کے لیے کوئی رینڈر چنیں کہ وہ کیسے بنا۔

یہ پرامپٹ حاصل کریں

Render by Sajrep on

سیٹنگز

سیمپلر

LMS

اسٹیپس

گائیڈنس

سیڈ

987610379621410

سائز

512x512

پرامپٹ

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

سیٹنگز

سیمپلر

LMS

اسٹیپس

گائیڈنس

سیڈ

345043061657583

سائز

512x512

پرامپٹ

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

سیٹنگز

سیمپلر

DPM++ 2M

اسٹیپس

گائیڈنس

7.5

سیڈ

556051207637958

سائز

512x512

پرامپٹ

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>

نیگیٹو پرامپٹ

embedding:deformityv6, embedding:boring_e621_fluffyrock_v4

Render by Sajrep on

سیٹنگز

سیمپلر

DPM++ 2M

اسٹیپس

گائیڈنس

7.5

سیڈ

556051207637958

سائز

512x512

پرامپٹ

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>

نیگیٹو پرامپٹ

embedding:deformityv6, embedding:boring_e621_fluffyrock_v4

Render by Sajrep on

سیٹنگز

سیمپلر

DPM++ 2M

اسٹیپس

گائیڈنس

سیڈ

345043061657583

سائز

512x512

پرامپٹ

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

سیٹنگز

سیمپلر

DPM++ 2M

اسٹیپس

گائیڈنس

سیڈ

345043061657584

سائز

512x512

پرامپٹ

(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

سیٹنگز

سیمپلر

DPM++ 2M SDE

اسٹیپس

گائیڈنس

سیڈ

345043061657583

سائز

512x512

پرامپٹ

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