Локальная генерация на 16 ГБ: что умеют новые модели

В мае я писал ^[1] про своё приложение SD Studio — оболочку над Stable Diffusion, в которой картинку описываешь обычным языком, а промпт и настройки подбирают LLM и пресеты. Делал я его, чтобы бесплатно генерировать сотни иллюстраций для книги-игры; зачем понадобилось своё приложение — тоже в первой статье.

За полгода локальные модели генерации изображений сильно продвинулись. Приложение я переименовал в Imagecaster и добавил функции, которые стали возможны только с новыми моделями. В этой статье — какие модели я выбрал, как они справляются с русским текстом на картинке и что на них построено: постобработка и ИИ-стилист.

В статье очень много картинок. Мне кажется, тут удобнее видеть, чем только читать.

Чем отличается от SD WebUI и ComfyUI

Сначала коротко, зачем вообще отдельное приложение:

Что изменилось: модели

В мае у меня были только SD 1.5, SDXL и Pony. В первой статье я описал их так: «хорошая кожа, бедная фантазия». Про фантазию это не совсем честно. У старых моделей жёсткий формат промпта — набор тегов. Приложение и так переводит описание в теги через LLM, но точную сцену, а особенно уточнения вроде «правая рука на табличке, левой поправляет волосы», такие модели выполняют плохо.

Теперь в приложении основные модели — Flux 1, Z-Image, Moss и Flux 2 Klein. Они понимают описание обычными предложениями. Цена — видеопамять: им нужно минимум 12–16 ГБ.

Все модели, кроме Klein, ставятся из каталога в настройках приложения. Moss и Klein работают только на Forge Neo.

Пара слов о каждой

Flux 1 (flux1-dev-fp8) хорошо понимает длинное описание сцены обычными предложениями: кто где стоит, что держит, какой свет.

Z-Image Turbo (z-image-turbo-fp8-aio) даёт фотореализм за 8 шагов. Подходит для перебора большого числа вариантов.

Moss-Image (moss_image_sft_bf16) следует описанию так же точно, как Flux 1, и при этом это основная модель режима правки: «замени брюки на юбку» меняет одежду, сохраняя человека, позу и фон. Инструкции можно писать по-русски.

Flux 2 Klein (flux-2-klein-4b) работает там, где меняется уже готовое фото:

• Постобработка — эффекты света, плёнки, кожи, материалов одежды и смены стиля;

• Объект — замена или удаление того, что обведено маской;

• Ремикс с галочкой «Сохранять лицо»;

• Стилист для ИИ-агентов — примерка стрижки и образа (о нём ниже).

Что не прижилось

Ещё я пробовал Qwen-Image 2.1 и Krea 2. Qwen делал «просто другие» картинки — не лучше, с накрученным реализмом и морщинками. Krea в быстром turbo-режиме давала пластик, а честный raw требовал 24–30 шагов. Обе прожили на сервере две недели, и их заменила связка Z-Image + Moss + Klein: три модели закрывают те же задачи, но легче, быстрее и без потери качества. Klein при этом занял единственную нишу, где он действительно лучше всех, — ремикс фото с сохранением лица. На нём теперь работает весь стилист.

Пресеты

Стиль в приложении — это пресет: промпт, настройки и модель. Большинство стилей есть в нескольких вариантах под разные модели — выбираешь по видеокарте и задаче. Пресеты можно менять, создавать свои, импортировать и экспортировать в JSON.

Пресеты генерации: 30 стилей

Стиль	SD	Pony	Flux	Z-Image	Moss
3D Render	✓	✓	✓	✓
Anime Art	✓	✓	✓	✓
Architecture Photo	✓		✓	✓	✓
Art Nouveau	✓	✓	✓	✓
Cartoon Art	✓	✓	✓	✓
Cinematic Still	✓		✓	✓	✓
Comic Art	✓	✓	✓	✓
Concept Art	✓	✓	✓	✓
Fantasy Art	✓	✓	✓	✓
Fashion Editorial	✓		✓	✓	✓
Food Photo	✓		✓	✓	✓
Horror Art	✓	✓	✓	✓
Landscape Photo	✓		✓	✓	✓
Mecha Art	✓	✓	✓	✓
Miniature Effect	✓		✓	✓
Pencil Sketch	✓	✓	✓	✓
Photo Realism	✓		✓	✓	✓
Pixel Art	✓	✓	✓	✓
Portrait Photo	✓		✓	✓	✓
Product Shot	✓		✓	✓	✓
Sci-Fi Art	✓	✓	✓	✓
Wallpaper Desktop	✓	✓	✓	✓
Wallpaper Phone	✓	✓	✓	✓
Watercolor Art	✓	✓	✓	✓
Wildlife Photo	✓		✓	✓	✓
B&W Film					✓
Golden Hour					✓
Night City					✓
Street Photo					✓
Studio Portrait					✓

Пресеты постобработки (Flux 2 Klein): 61 эффект

Группа	Пресеты
Общие	Shallow DOF, Color Pop, Soft Glow, Moody Dark, Crisp Reality, Bright & Airy
Свет	Golden Hour, Evening Mood, Night City Neon, Soft Studio, Flash Photo, Candlelight, Blue Hour, Backlit, Overcast Soft, Harsh Noon
Плёнка	Film Real 35mm, B&W Film, Vintage 70s, Cinematic Teal-Orange, Polaroid, Portra 400, Expired Film, VHS 90s, Super 8, Cross Process
Кожа	Wet Skin, Dewy Skin, Glam Glow, Matte Skin
Материалы одежды	Satin Gloss, Leather, Denim, Lace, Velvet, Fur, Latex, Knit & Wool, Sequins, Mesh, Wet Fabric, Cotton, Linen, Tweed, Corduroy, Suede, Chiffon, Tulle, Fleece, Shearling, Metallic
Смена стиля	Realism, Photo Restore, Colorize, 3D Animation, Cartoon, Anime, Watercolor, Pencil Sketch, Oil Painting, Pixel Art

Текст на картинках

С чем у людей ассоциируются локальные модели генерации? Шесть пальцев на руке и неспособность написать русский текст. Проверим.

Замерял на своём ПК: imagecaster-server на Debian, RTX 4070 Ti Super 16 ГБ, разрешение 1536×1024, по 10 изображений на модель (Flux — 5). Промпт писал по-русски — LLM всё равно перепишет его на английский, кроме надписи на табличке:

Молодая русская женщина в платье на рынке рядом с мешками и надписью на табличке: «Картошка, недорого». Правая рука на табличке. Левой поправляет волосы.

Moss

Пресет Photo Realism (Moss): Euler, 50 шагов, CFG 3. Около 2 минут на изображение.

5 из 10 — надпись без ошибок. Ошибки ^[2] мелкие: «недорогго», «недорокго».

Z-Image Turbo

Пресет Photo Realism (Z-Image): Euler, 8 шагов, CFG 1. Около 15 секунд на изображение.

6,5 из 10. Проскакивали «Картоша» и «Картоцка». Половина — потому что в одном случае «ш» и «к» слиплись в одну букву, и я не знаю, куда это отнести.

Flux 1

Пресет Photo Realism (Flux): Euler, 24 шага, CFG 1. Около минуты на изображение.

0 из 5. Девушки красивые, но писать по-русски Flux не может.

Почему такая разница, я спросил у ИИ:

Комментарий ИИ (Claude). Дело скорее не в квантовании. Текст на картинке зависит прежде всего от того, какой текстовый энкодер (часть модели, которая читает промпт) стоит в модели и понимает ли он кириллицу:

• Flux 1 читает промпт энкодером T5, который обучали в основном на английском. Русские буквы он, по-видимому, видит плохо, отсюда 0 из 5. Ни fp8, ни bf16 это не исправят.

• Z-Image и Moss используют энкодеры семейства Qwen, а они многоязычные. Поэтому у них текст в принципе получается.

• Квантование у трёх моделей и так разное, но не в одну сторону. У Moss сама модель в bf16, а текстовый энкодер урезан до int8. Сказать «у Moss полное качество, а остальные урезаны» нельзя.

И для честности: полная версия Flux 1 в fp16 весит около 23 ГБ и на моей карте с 16 ГБ не запускается.

Постобработка

Готовое фото меняется одной кнопкой: свет, плёнка, ткань одежды, стиль. Почти всё держится на Klein. Расписывать не буду — покажу картинками.

ИИ-стилист

Этот раздел стал возможен только с новыми моделями.

В постобработке есть режим «Правка»: словами описываешь, что примерить человеку на фото, или загружаешь фото одежды. Но что именно примерять, нужно придумать самому. Стилист придумывает сам: у него свои правила, и он предлагает несколько вариантов.

ИИ-стилистов сейчас много, но они работают онлайн с облачными моделями, а значит, фото уходит на чужой сервер. Локальная LLM, которая помещается на 16 ГБ рядом с моделью генерации, для роли стилиста слабовата. Поэтому сделал так: думает умная модель через MCP (Claude Code, Codex и другие), а смотрит и рисует приложение. Фото описывает локальная vision-модель, умная модель получает только текст, генерация тоже локальная. Фото никуда не уходит.

Часть «ума» при этом теряется: стилист не видит фото сам. Но в диалоге его можно поправить — рассказать о своих вкусах или о том, чего vision-модель не заметила.

Отдельная сложность — лицо. Klein меняет весь кадр и заодно немного меняет лицо, а стилист без похожего лица бесполезен. Поэтому после правки глаза, нос и губы переносятся с исходного фото по точкам лица и проверяется сходство; если лицо не совпало, генерация повторяется, до трёх попыток. В таблицах ниже колонка fit — насколько лицо варианта отличается от исходного: чем меньше, тем ближе. id — номер варианта в истории приложения.

Дальше — диалог со стилистом как есть. Девушка на фото сгенерирована, это не реальный человек.

«Подбери повседневные образы»

Мои рекомендации по порядку:

1. 30596 — самый «повседневный из повседневных»: рыночная сцена кадра буквально просит уютный кардиган и косы; и это её фирменная эстетика

2. 30597 — самое свежее и лёгкое: открытый лоб + белый верх + терракота — «лето на рынке», минимум усилий

3. 30594 — если хочется остаться при своём платье, но оживить: смена пробора — микрозатрата, а лицо сразу открывается

4. 30595 — самая «стильная» из четырёх, но тельняшка чуть выбивается из её бохо-линии — она скорее тебе в пост-панк-эстетику 😄

Макияж везде один и тот же по задумке: нюд-бальзам + брови + чистая кожа, ничего ярче — как договорились. Если какой-то образ зашёл — скажи, докручу детали.

Стилист не видит, кто на фото, и решил, что там моя жена, — отсюда «её фирменное бохо». А пост-панк — это он пытался угодить мне 🙂

«А что-то вечернее или романтичное?»

Рекомендации:

1. 30598 — если «романтичное» значит прямое: розовый шифон + мягкая волна — это эталон жанра, и на рыночном солнце он играет лучше всех остальных (тёмные вечерние ткани при дневном свете кадра теряют глубину)

2. 30600 (изумруд) — если «вечернее»: лучший fit партии, изумруд к русым волосам — самое выигрышное сочетание из всей сегодняшней палитры

3. 30601 (винное с кружевом) — тёмная романтика, «вино + кружево» — на вечер при свечах

4. 30599 (синий бархат) — по одежде хорошо, но чек показывает, что макияж ушёл тяжелее заказанного — проверь глазами, не «дико яркий» ли получился

Оговорка стилиста: фон остаётся дневной рынок — вечерние платья в дневном свете читаются как «примерка», не как «выход». Для полного вечернего эффекта нужен либо вечерний исходник, либо смена фона (а её пайплайн пока не трогает — и правильно).

Что докрутить — цвет, фактуру, украшения?

«А что-то более дерзкое?»

Рейтинг дерзости (и носибельности):

1. 30602 (рок) — самая дерзкая и при этом лучший fit дня: контраст грубой кожи и её мягких волн — это работающая формула; сливовая помада вместо чёрной держит образ «дорогим», а не «подростковым»

2. 30603 (гранж) — дерзость на каждый день: фланель + рваная юбка — это носибельно даже в магазин, в отличие от косухи

3. 30604 (шифон+ботинки) — самый хитрый: внешне «она», но с характером; для случаев «дерзкая, но в моей эстетике»

4. 30605 (красное) — классическая дерзость цветом; один нюанс: klein покрасил волосы в чёрный (не заказывал) — стильно, но это дрейф; если хочется дерзкого красного с её русым — перегенерирую с пином цвета

Макияж везде смелее обычного: слива/красный + графичные стрелки — потолок «дерзко без пошлости», дальше уже перебор.

И снова не могу не заметить: 30602 (косуха) + твой серый пост-панк = вы вдвоём выглядите как группа, которую надо было послушать ещё в 2004-м 😄 Что докрутить?

«Это не жена, а сгенерированный образ для статьи. Сделай оригинальнее и больше вариантов»

Что эта серия показывает для статьи: 7 цветов волос, 4 длины, 5 текстур (гладкое/локоны/панк-текстура/кудри/афро), 7 стилевых регистров — от пин-апа до панка, одно лицо сохранено во всех (fit в зелёной зоне у всех).

Бонус-наблюдения для текста:

• Чёлка отрисовалась (30611, пин-ап) — хотя неделю назад считали её конфликтной с вклейкой; сейчас шаблон «No loose strands» с ней справляется

• Фантазийные цвета (розовый, серебро) klein держит стабильнее естественных — вероятно, потому что они однозначно читаются из текста

• Самая близкая к оригиналу склейка — у серебряных волос (0.013): парадоксально, но кардинальный цвет дал лучший результат

Хочешь ещё одно измерение вариативности — очки/головные уборы (там вклейка отключается, честно покажет ограничение), или вуаль/украшения, или соберу hero-сет для статьи?

Платное лучше?

За бесплатность платишь временем:

• Текст на картинке получается не с первого раза. Но сгенерировать 10 вариантов и выбрать нужный, как по мне, менее обидно, чем заплатить за вариант с хорошим текстом, но не той картинкой.

• Тяжёлые модели думают до пары минут, а для правки диалогом нужен ИИ-агент через MCP.

• Видеокарта нужна минимум на 16 ГБ, а она есть не у всех.

Установка

Чтобы не ставить всё по отдельности, я сделал imagecaster-server. Он сам устанавливает Forge Neo (нужен именно этот форк Stable Diffusion WebUI) и проверяет, есть ли Ollama, — если нет, ставит сам. Нужные версии Python и git он тоже кладёт в свою папку, чтобы не зависеть от того, что установлено в системе.

Ссылки

• Imagecaster ^[4] — приложение

• imagecaster-server ^[5] — сервер, который ставит и запускает модели

• Первая статья ^[1] — про SD Studio и зачем всё это