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:
- 只用主模型出一张图,确认基础链路正常。
- 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。
- 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
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。

评论
还没有评论,来说两句吧。