You can deploy this model and start earning money today!

CairoAOGG4/
gsmde-centros

Name: gsmde-centros
Availability: InStock

Views

No views yet

GSMDE — centros especialistas

36 centros (16.9 GB) para o GSMDE Studio, uma arquitetura de difusão modular: em vez de um UNet monolítico, uma prateleira de especialistas que um roteador semântico escolhe a partir do prompt e pagina um por vez na VRAM.

Cada centro é um LoRA de rank alto sobre o UNet do SDXL, atacando to_k / to_q / to_v / to_out.0. Como todo checkpoint SDXL compartilha essa arquitetura, eles encaixam mecanicamente em qualquer SDXL — mas foram treinados contra o IDN_Illustrious_V10_B, base treinado pelo proprio autor, e quanto mais distante o seu base, mais eles erram o alvo. O Studio traz uma ferramenta que mede essa divergência antes de você trocar de backbone.

Como usar

Os centros não são LoRAs de uso avulso: eles esperam o roteador e a máscara de território do GSMDE. Aplicados soltos, com peso 1.0 na imagem toda, tendem a inundar a cena — o desenho supõe que cada um pinta só a região dele.

bash

git clone https://github.com/NOTcisLol/gsmde-studio
hf download CairoAOGG4/gsmde-centros --local-dir ./centros

Hierarquia

O nível decide quem sobrevive quando o orçamento de VRAM aperta. Com poucas vagas, o genérico rende mais (person cobre muita tela); com folga, o detalhe é o que agrega (unhas melhora o que o genérico não sabe).

O hash da ideia

Cada centro carrega um hash_ideia, derivado das tags-âncora do treino. Dois centros com o mesmo hash disputam o mesmo território de atenção, ainda que um tenha 2 mil imagens e rank 96 e o outro 100 mil e rank 512. Serve para o orquestrador não carregar os dois juntos e para você comparar um centro seu com um destes sem precisar testar.

Os centros

centro	rank	tamanho	imagens	nível	hash da ideia
`bijuteria`	192	0.56 GB	2500	detalhe	`cb84edcb6d60`
`maos`	128	0.37 GB	2500	detalhe	`9d63151f3390`
`molhado`	96	0.28 GB	2500	detalhe	`922af22a4121`
`pedra`	64	0.19 GB	2500	detalhe	`366bbc116623`
`pelagem`	128	0.37 GB	2500	detalhe	`5f572f1992f4`
`pele`	192	0.56 GB	2500	detalhe	`c5cd434ed5ad`
`tecido`	96	0.28 GB	2500	detalhe	`1e3982238cfa`
`actions`	—	0.74 GB	—	—	``
`animals`	—	0.19 GB	—	—	``
`architecture`	—	0.74 GB	—	—	``
`biomes`	—	0.19 GB	—	—	``
`brazilian_miku`	—	0.74 GB	—	—	``
`camera`	—	0.74 GB	—	—	``
`color_grade`	—	0.09 GB	—	—	``
`design`	—	0.74 GB	—	—	``
`expression`	—	0.74 GB	—	—	``
`handling`	—	0.09 GB	—	—	``
`illumination`	—	0.19 GB	—	—	``
`locals`	—	0.19 GB	—	—	``
`multi_person`	—	0.74 GB	—	—	``
`nsfw`	—	0.19 GB	—	—	``
`objects_foreground`	—	0.09 GB	—	—	``
`outfit_append`	—	0.74 GB	—	—	``
`outfit_racing`	—	0.74 GB	—	—	``
`outfit_sakura`	—	0.74 GB	—	—	``
`outfit_snow`	—	0.74 GB	—	—	``
`particles`	—	0.09 GB	—	—	``
`person`	—	0.74 GB	—	—	``
`plantas`	—	0.74 GB	—	—	``
`pose`	—	0.74 GB	—	—	``
`scenary`	—	0.74 GB	—	—	``
`scene_dynamics`	—	0.09 GB	—	—	``
`scene_effect`	—	0.09 GB	—	—	``
`style`	—	0.74 GB	—	—	``
`time`	—	0.19 GB	—	—	``
`vehicles`	—	0.74 GB	—	—	``

Treino

Um centro por vez, uma imagem por passo, com requeue por loss — sem épocas. Datasets de 2.500 imagens com amostragem estratificada: cada tag do nicho recebe cota igual, ancorada na tag mais rara da imagem. Sem isso a tag dominante engole o conjunto (em bijuteria, hair_ornament tem 108 mil imagens e brooch tem 6 mil — sem estratificar, o centro viraria um especialista em laço de cabelo).

O rank sai da dispersão de assinaturas de tag do próprio nicho, não de um número fixo: escopo pequeno converge com pouco (unhas, rank 64), escopo largo precisa de mais (bijuteria e pele, rank 192).

Protocolo completo em docs/protocolo_treino.md.

Limitações conhecidas

Treinados sobre IDN_Illustrious_V10_B (base do proprio autor); em bases distantes (SDXL 1.0 base, Pony) a qualidade cai sem dar erro nenhum — o pior tipo de falha para diagnosticar.
Os clusters c6 e c7 rodaram com 1,6 passada pelo dataset, não com o currículo completo de 3 passadas de aquecimento. Ver o protocolo.
Alguns centros do c7 (unhas, pes, boca, maquiagem) ainda não foram treinados.