一、基础知识

先给三类文件分个工:

  • checkpoint(主模型):决定画面基础能力和整体风格。它通常打包了去噪网络、文本编码器和 VAE,是出图的地基。体积最大,切换它等于换了整个画风体系。
  • LoRA:体积小,叠加在主模型之上,用来加某种画风、人物或概念。它不能单独出图,必须依附主模型,而且要匹配主模型的基础版本。
  • VAE:负责把模型内部的潜变量翻译成你能看的图片,也负责把输入图片编码回去。它主要影响颜色、对比度和细节。很多主模型已经内置 VAE,不是每次都需要额外装。

除了这三类,你可能还会遇到控制模型、文本编码器、放大模型和 embedding 等,它们各有各的目录,作用也各不相同。先掌握上面三类,其余的用到再说。

存放规则是新手最容易被卡住的地方。不同前端的目录名不一样:WebUI 类界面常见的是 models/Stable-diffusion、models/Lora、models/VAE;ComfyUI 常见的是 models/checkpoints、models/loras、models/vae。具体目录名以你实际使用的软件和版本为准,判断标准很简单——界面里能看到、能选中,就说明放对了。

文件格式也值得留意。.safetensors 是目前更推荐的形式,它只存张量数据;.ckpt 等较老的格式基于 Python 的序列化机制,加载来源不明的文件有安全风险。能用 safetensors 就优先用,尤其是别人给你的文件。

二、实操步骤

第 1 步:建立统一的模型仓库,用软链接给多个界面共享。

模型动辄几 GB,别在每套界面里各存一份。

# Linux / macOS:把仓库里的模型链接到界面目录
ln -s /path/to/model_repo/checkpoints/mybase_v2.safetensors models/checkpoints/

Windows 的目录联接(在 CMD 中执行,需要管理员权限时按提示操作;此行不要放进 bash):

REM 此行在 CMD 中执行,用于把模型仓库联接到界面目录
mklink /J "C:pathtoComfyUImodelscheckpointsshared" "D:model_repocheckpoints"

链接建好后,用 ls -l 看一眼是否生效。

第 2 步:下载后校验文件完整性。

# Linux / macOS
sha256sum models/checkpoints/mybase_v2.safetensors

# Windows
certutil -hashfile modelscheckpointsmybase_v2.safetensors SHA256

把得到的值和下载来源提供的校验值比对。注意:来源本身不可信时,校验值也没有意义,所以还是要找可信渠道。

第 3 步:生成模型清单,治理「不知道自己有啥」。

# inventory.py —— 盘点模型文件,输出 CSV 清单
import csv
import hashlib
from pathlib import Path

ROOTS = ["models/checkpoints", "models/loras", "models/vae"]
EXTS = {".safetensors", ".ckpt"}

def sha256_prefix(path, n=12):
    h = hashlib.sha256()
    with open(path, "rb") as f:
        for chunk in iter(lambda: f.read(1024 * 1024), b""):
            h.update(chunk)
    return h.hexdigest()[:n]

rows = []
for root in ROOTS:
    for p in sorted(Path(root).glob("*")):
        if p.is_file() and p.suffix.lower() in EXTS:
            size_gb = round(p.stat().st_size / (1024 ** 3), 2)
            rows.append([root, p.name, size_gb, sha256_prefix(p)])

with open("model_inventory.csv", "w", newline="", encoding="utf-8-sig") as f:
    writer = csv.writer(f)
    writer.writerow(["类型目录", "文件名", "大小GB", "SHA256前12位"])
    writer.writerows(rows)

print(f"共盘点 {len(rows)} 个模型")
python inventory.py

大文件做哈希会比较慢,可以只在新增模型后跑一次。

第 4 步:用最小组合测试模型是否可用。

不要一次把主模型、LoRA、VAE 全换掉。按顺序:

  1. 只用主模型出一张图,确认基础链路正常。
  2. 加一个 LoRA,权重先取中间值(例如 0.6~0.8 作为起点,具体以该 LoRA 的说明为准),确认有效果。
  3. 有颜色问题时再尝试换 VAE。

WebUI 类界面常用类似 <lora:名称:0.7> 的写法调用 LoRA,ComfyUI 则使用专门的 LoRA 加载节点;具体语法和节点名以你所用版本为准。

第 5 步:统一命名,降低日后混乱。

建议采用「用途_版本_基础版本」的形式,例如 mybase_v2_sd15.safetensors、styleA_v1_sdxl.safetensors。基础版本标注清楚,能避开后面要讲的最大坑。

三、关键细节

  1. 基础版本必须匹配。 为 SD1.5 训练的 LoRA 不能直接用在 SDXL 主模型上,反过来也一样。加载成功不代表能用,可能表现为毫无效果或直接报错。
  2. 优先选 safetensors。 老式 .ckpt 基于 pickle,加载不可信文件存在代码执行风险。手里有 ckpt 时,考虑在离线、隔离环境里转换格式,或干脆换用官方提供的 safetensors 版本。
  3. VAE 不是必需品。 主模型内置 VAE 且颜色正常时,不必额外加载。盲目换 VAE 反而可能引入偏色。
  4. LoRA 权重不是越大越好。 权重过高容易串味、细节崩坏或文字变形。以中等值起步,再小步调整。
  5. 多个 LoRA 会互相干扰。 一次只加一个,确认效果后再叠加第二个,否则出问题无法归因。
  6. 软链接比复制更省事。 一套模型给多个界面共用,更新时只改一处;但要清楚链接指向哪里,别误删源文件。

四、常见错误

错误做法 现象 原因 修正
把 SD1.5 的 LoRA 配到 SDXL 主模型 LoRA 加载了但画面没变化 基础版本不匹配 核对基础版本,换用匹配的文件
把 LoRA 权重拉到接近上限 画风崩坏、人物变形 权重过高污染主模型 回到中等值,小步上调
图片发灰、对比度异常 颜色整体不对劲 VAE 缺失或不匹配 换用与主模型兼容的 VAE,或去掉额外 VAE
模型文件丢在根目录 界面列表里找不到 没放进对应的类型子目录 移到正确目录,刷新或重启界面
大量加载来源不明的 .ckpt 出现安全警告或异常行为 老格式存在代码执行风险 改用 safetensors,只用可信来源
多个界面各存一份模型 磁盘很快塞满,版本还不一致 重复复制 用软链接共享,定期用清单清理旧文件

五、排查方法

按顺序做:

# 1. 确认文件在不在、放在哪个目录
python inventory.py

# 2. 确认软链接是否指向正确位置
ls -l models/checkpoints

# 3. 核对文件是否损坏:把哈希和来源给的值比对
sha256sum models/checkpoints/mybase_v2.safetensors

# 4. 看界面控制台日志,确认它实际加载的是哪个文件
# 重点看启动阶段打印的模型路径

# 5. 最小组合回归:只留主模型出图 → 加 LoRA → 加 VAE

定位思路:先确认文件存在且没坏,再确认放对了目录,最后才判断是不是搭配问题。绝大多数「LoRA 没效果」都卡在前两步或基础版本不匹配。

六、注意事项

  • 目录名、调用语法、节点名称因软件和版本而异,以官方文档或实际界面为准。
  • 不要加载来源不明的 .ckpt / .pt 文件;模型文件也是可执行内容的载体之一。
  • 模型体积很大,操作前确认磁盘空间,重要模型保留一份可靠备份。
  • 不同模型的许可证差异很大,商用前务必核对作者声明。
  • 新的量化格式或打包形式兼容性不确定时,先看官方文档,不要凭文件扩展名猜测。

免责声明:本文为个人学习与实操经验总结,仅代表个人观点,不构成任何技术或商业决策建议。不同系统环境与版本可能存在差异,实际操作请以官方文档为准并自行验证。