ComfyUI LoRA-Stacking-Anleitung für NSFW-Generierungen

Ein einzelnes LoRA reicht für professionelle NSFW-Arbeit selten aus. Sie brauchen ein Charakter-LoRA für die Gesichtskonsistenz, ein Stil-LoRA für die visuelle Behandlung, ein Anatomie-LoRA für explizite Detailtreue und vielleicht ein Unlock-LoRA, falls Sie ein Basismodell verwenden, das Unterstützung benötigt. Dieser Stapel aus drei oder vier LoRAs muss zusammenarbeiten, ohne dass eines das andere aufhebt oder ein matschiges, gemitteltes Ergebnis entsteht. Die meisten Leute stapeln LoRAs, indem sie alle mit Standardgewichten hineinwerfen und auf das Beste hoffen. Genau deshalb sehen ihre Ergebnisse aus, als hätte ein Mixer sie erwischt. LoRAs gut zu stapeln ist eine handwerkliche Fähigkeit, und hier ist der genaue Prozess, mit dem ich saubere Ergebnisse aus komplexen Stapeln erziele.

Kurze Antwort: Verketten Sie in ComfyUI LoRA-Loader-Nodes oder verwenden Sie den LoRA Stacker aus den Efficiency Nodes. Ein typischer Stapel setzt das Unlock-LoRA auf 0.7, das Charakter-LoRA auf 0.8, das Stil-LoRA auf 0.6 und das Anatomie-LoRA auf 0.5. Jedes LoRA hat sowohl Model- als auch CLIP-Gewichte. Senken Sie das CLIP-Gewicht (0.4-0.6), wenn sich Prompts durcheinandergebracht anfühlen. Testen Sie ein LoRA nach dem anderen und fügen Sie dann schrittweise weitere hinzu. Konflikte zwischen zwei LoRAs, die Ähnliches versuchen, sind der häufigste Fehler.

Warum Ein LoRA Selten Genug Ist

Schauen Sie, der Grund, warum Sie aus einem einzigen LoRA keine professionelle NSFW-Ausgabe bekommen, ist, dass LoRAs Spezialisten sind. Ein Charakter-LoRA kodiert Gesichtsmerkmale und Körperproportionen, weiß aber nicht, wie gute Hauttextur aussieht. Ein Stil-LoRA kodiert Beleuchtung und Farbbehandlung, kennt aber nicht das Gesicht Ihres Charakters. Ein Anatomie-LoRA füllt Lücken bei explizitem Inhalt, hat aber keine Meinung zur Komposition. Jedes LoRA trägt Informationen in einem schmalen Band, und gute Ergebnisse erfordern, dass mehrere Bänder zusammenarbeiten.

Die Mathematik dahinter, warum das funktioniert. Ein LoRA modifiziert die Gewichte des Basismodells in einer Niedrigrang-Zerlegung, was bedeutet, dass es das Verhalten des Modells in eine bestimmte Richtung lenkt und dabei den Großteil des Modells unverändert lässt. Das Stapeln mehrerer LoRAs kombiniert ihre Lenkungen, und solange die Lenkungen in ungefähr orthogonale Richtungen zeigen, ist der kombinierte Effekt die Vereinigung ihrer einzelnen Fähigkeiten.

Wo das Stapeln schiefgeht, ist, wenn zwei LoRAs in ähnliche Richtungen lenken. Wenn Sie zwei Photoreal-Haut-LoRAs mit voller Stärke laden, schieben beide das Modell in Richtung photorealistischer Haut, und der kombinierte Effekt ist "Über-Photoreal-Haut", was meist wachsartig oder überdetailliert bedeutet. Dies ist der häufigste Stacking-Fehler und passiert immer dann, wenn Ersteller LoRAs laden, ohne darüber nachzudenken, was jedes einzelne tatsächlich tut.

Das richtige mentale Modell. Stellen Sie sich jedes LoRA als einen Vektor im Stilraum vor. Das Stapeln von LoRAs addiert die Vektoren. Wenn zwei Vektoren in ähnliche Richtungen zeigen, erhalten Sie ein übergares Ergebnis in dieser Richtung. Wenn sie in verschiedene Richtungen zeigen, erhalten Sie eine ausgewogene Kombination. Stapeln Sie vielfältige LoRAs, nicht redundante.

Speziell für NSFW-Arbeit deckt der typische Produktionsstapel vier Bänder ab:

• Unlock-Band: Hilft dem Basismodell, expliziten Inhalt zu erzeugen (hauptsächlich für Flux)
• Charakter-Band: Fixiert bestimmte Gesichts- und Körpermerkmale
• Stil-Band: Steuert die visuelle Behandlung (photoreal, kinoreif, Mode)
• Anatomie-Band: Verbessert die Detailtreue bei explizitem Inhalt

Diese sind ausreichend orthogonal, sodass alle vier ohne größere Konflikte gestapelt werden können. Das Hinzufügen weiterer LoRAs über diese hinaus bringt typischerweise Redundanz und verschlechtert die Ausgabe.

Model-Gewicht vs. CLIP-Gewicht

Jeder ComfyUI-LoRA-Loader hat zwei Gewichtsparameter namens strength_model und strength_clip. Die meisten Tutorials überspringen den Unterschied zwischen ihnen. Den Unterschied zu kennen ist der Schlüssel zu ernsthaftem Stacking.

strength_model steuert, wie stark das LoRA das UNet (das Diffusionsmodell selbst) modifiziert. Das ist der visuelle Einfluss. Ein höheres strength_model bedeutet, dass die visuelle Signatur des LoRA stärker in der Ausgabe erscheint. Das ist es, was die meisten Leute unter "LoRA-Stärke" verstehen.

strength_clip steuert, wie stark das LoRA den Text-Encoder (CLIP) modifiziert. Das beeinflusst, wie das Modell Prompts interpretiert. Ein höheres strength_clip bedeutet, dass das LoRA das Prompt-Verständnis in Richtung dessen verzerrt, worauf das LoRA trainiert wurde.

In den meisten Fällen möchten Sie strength_model und strength_clip auf ungefähr demselben Wert haben. Das Modell und der Text-Encoder müssen sich darüber einig sein, was das LoRA will. Wenn sie zu weit auseinanderdriften, erhalten Sie eine durcheinandergebrachte Ausgabe, bei der das Modell das eine rendert, während der Text-Encoder denkt, Sie hätten nach etwas anderem gefragt.

Es gibt jedoch bestimmte Fälle, in denen Sie sie unterschiedlich haben möchten:

• Charakter-LoRAs: Profitieren oft von einem leicht niedrigeren CLIP-Gewicht (0.6-0.7 gegenüber 0.8 Model-Gewicht), weil die CLIP-Modifikation Charakternamen-Triggerwörter überbetonen kann und sich Prompts eingeschränkt anfühlen lassen.
• Stil-LoRAs: Profitieren manchmal von einem höheren CLIP-Gewicht, um das Modell zu drängen, Prompts im Stilvokabular des LoRA zu interpretieren.
• Anatomie-LoRAs: Brauchen meist ein niedrigeres CLIP-Gewicht (0.4-0.5), um zu vermeiden, dass das Modell Anatomie in der Prompt-Interpretation überbetont.
• Unlock-LoRAs: Brauchen strength_model bei 0.7-0.8 und strength_clip bei 0.5-0.6, weil ein Überdrehen von CLIP die Prompt-Semantik zu verstümmeln beginnt.

Ein verbreiteter Ausgangspunkt für 2026, der funktioniert:

• strength_model: 0.8
• strength_clip: 0.6

Das ist ein leichtes Ungleichgewicht, das visuellen Einfluss bietet, ohne Prompts durcheinanderzubringen. Stimmen Sie von dort aus ab, je nachdem, wie sich Ihr Stapel anfühlt.

Einrichtung des LoRA-Stacker-Nodes

Um 3 oder mehr LoRAs sauber zu stapeln, ist der LoRA-Stacker-Node aus den Efficiency Nodes das richtige Werkzeug. Er bündelt mehrere LoRA-Loader-Operationen in einem einzigen Node, was Ihren Graphen lesbar hält. Installieren Sie die Efficiency Nodes über den ComfyUI Manager. Der Node erscheint als "LoRA Stacker" in der Kategorie Loaders.

Der LoRA-Stacker-Node hat:

• lora_count: Anzahl der freizugebenden LoRA-Slots (auf Ihre Stapelgröße setzen)
• mode: "simple" oder "advanced" (simple verwendet ein Gewicht pro LoRA, advanced trennt Model und CLIP)
• Für jeden Slot: lora_name (Dropdown der verfügbaren LoRAs), strength (oder strength_model und strength_clip im Advanced-Modus)

Für NSFW-Arbeit verwende ich immer den Advanced-Modus, weil die Unterscheidung zwischen Model- und CLIP-Gewicht wichtig ist. Der Simple-Modus ist für gelegentliches Experimentieren in Ordnung, schränkt aber Ihre Tuning-Optionen ein.

Der Node gibt einen einzelnen LORA_STACK aus, den Sie mit einem nachgelagerten Node verbinden, der alle gestapelten LoRAs auf einmal anwendet. Das Standardmuster ist:

1. CheckpointLoader → gibt model und clip aus
2. LoRA Stacker → Eingabe lora_count und Einstellungen pro LoRA → gibt LORA_STACK aus
3. Apply LoRA Stack → Eingaben model, clip, LORA_STACK → gibt modifiziertes model und clip aus
4. KSampler mit dem modifizierten model und clip

Das bleibt visuell sauber, selbst mit 5 oder mehr LoRAs im Stapel. Verglichen mit verketteten LoRA-Loadern (bei denen jeder Loader ein separater Node ist) ist der Stacker-Ansatz für Produktions-Workflows deutlich lesbarer.

Die andere Stacker-Option, die man kennen sollte, ist das multi-lora-stack von ShmuelRonen, das eine dynamischere Oberfläche hat und LoRAs zur Laufzeit austauschen kann. Nützlich für experimentelle Workflows, aber der Standard-Stacker aus den Efficiency Nodes ist das, was ich für die Produktion verwende.

Rezept: Unlock + Charakter + Stil + Anatomie

Der Vier-Band-Stapel, der die meiste professionelle NSFW-Arbeit abdeckt. Die Einstellungen sind Ausgangspunkte; stimmen Sie sie basierend auf Ihren spezifischen LoRAs und Ihrem Basismodell ab.

Für Pony Realism v2.2 oder ähnliches Pony-Basis-SDXL:

LoRA 1 (Unlock, optional für Pony):
  lora_name: pony_nsfw_unlock.safetensors (falls nötig)
  strength_model: 0.4 (Pony kennt NSFW bereits)
  strength_clip: 0.3

LoRA 2 (Charakter):
  lora_name: <your_character>.safetensors
  strength_model: 0.85
  strength_clip: 0.7

LoRA 3 (Stil):
  lora_name: photoreal_skin.safetensors
  strength_model: 0.6
  strength_clip: 0.5

LoRA 4 (Anatomie):
  lora_name: anatomy_detail.safetensors
  strength_model: 0.5
  strength_clip: 0.4

Kombiniertes Gesamt-Model-Gewicht: 2.35. Das liegt im sicheren Bereich für Modelle der SDXL-Familie. Über 3.0 riskieren Sie eine Verschlechterung der Ausgabe. Unter 1.5 nutzen Sie den Stapel wahrscheinlich zu wenig aus.

Für RealVisXL V5 (keine integrierten NSFW-Priors):

LoRA 1 (Unlock):
  lora_name: realvis_nsfw.safetensors
  strength_model: 0.75
  strength_clip: 0.55

LoRA 2 (Charakter):
  lora_name: <your_character>.safetensors
  strength_model: 0.8
  strength_clip: 0.65

LoRA 3 (Stil):
  lora_name: cinematic_lighting.safetensors
  strength_model: 0.55
  strength_clip: 0.5

LoRA 4 (Anatomie):
  lora_name: anatomy_detail.safetensors
  strength_model: 0.55
  strength_clip: 0.4

Kombiniertes Gesamt-Model-Gewicht: 2.65. Etwas höher, weil RealVisXL mehr Schub vom Unlock-LoRA braucht, um gegen seine auf photorealistische Porträts ausgerichtete Trainingstendenz anzukommen.

Für Flux Dev oder Flux Schnell:

LoRA 1 (Unlock, kritisch):
  lora_name: flux_nsfw_unlock.safetensors
  strength_model: 0.85
  strength_clip: 0.65

LoRA 2 (Charakter):
  lora_name: <your_flux_character>.safetensors
  strength_model: 0.8
  strength_clip: 0.7

LoRA 3 (Stil):
  lora_name: flux_photoreal.safetensors
  strength_model: 0.5
  strength_clip: 0.45

Insgesamt drei LoRAs, weil Flux ein kleineres LoRA-Ökosystem hat und das Stapeln von mehr Konflikte verursacht. Kombiniertes Gesamt-Model-Gewicht: 2.15.

Die obigen Muster sind Ausgangspunkte. Die eigentliche Arbeit besteht darin, einzelne Gewichte durchzuvariieren und zu sehen, was für Ihre spezifischen LoRA-Kombinationen und Ihr Basismodell funktioniert.

Konfliktmuster und Wie Man Sie Diagnostiziert

Konfliktmuster zu erkennen ist der Unterschied zwischen Raten und Tuning. Hier sind die häufigsten Fehler und wie sie in der Ausgabe aussehen.

Stilkonkurrenz (am häufigsten): Zwei LoRAs, die Ähnliches versuchen. Die Ausgabe sieht "matschig" oder "übergar" aus. Konkrete Anzeichen sind Haut, die wachsartig aussieht, Beleuchtung, die künstlich wirkt, und übersättigte Farben.

Lösung: Reduzieren Sie eines der konkurrierenden LoRAs auf 0.4-0.5 strength_model oder entfernen Sie es ganz.

Charakterdrift durch Stil-LoRA: Das Gesicht des Charakter-LoRA wird von einem aggressiven Stil-LoRA überschrieben. Konkrete Anzeichen sind Veränderungen der Gesichtsform zwischen Generierungen mit demselben Prompt, Ethnizitätsdrift und Abflachung des Gesichtsausdrucks.

Lösung: Senken Sie das strength_model des Stil-LoRA auf 0.4-0.5. Erhöhen Sie das strength_model des Charakter-LoRA auf 0.9. Senken Sie speziell das strength_clip des Stil-LoRA auf 0.3-0.4.

Anatomie-Überbetonung: Das Anatomie-LoRA zieht zu stark an den Körperdetails. Konkrete Anzeichen sind cartoonhaft übertriebene Anatomiemerkmale, Körperteile, die offensichtlich LoRA-injiziert aussehen, und Prompts zu nicht-anatomischen Details, die ignoriert werden.

Lösung: strength_model des Anatomie-LoRA auf maximal 0.4. Das CLIP-Gewicht sollte speziell sehr niedrig sein (0.3-0.4) für Anatomie-LoRAs, weil die CLIP-Modifikation das ist, was das LoRA Merkmale in Prompts überbetonen lässt.

Unlock-LoRA blutet in SFW-Inhalt: Das Unlock-LoRA verzerrt alle Generierungen in Richtung NSFW, selbst wenn der Prompt das nicht verlangt. Konkrete Anzeichen sind, dass jede Generierung zum Expliziten tendiert, selbst bei Prompts, die SFW sein sollten, und dass das Modell unaufgefordert NSFW-Elemente hinzufügt.

Lösung: strength_model des Unlock-LoRA auf maximal 0.6. Wenn Sie gemischte SFW/NSFW-Arbeit machen, bauen Sie separate Workflows für jede und verwenden Sie das Unlock-LoRA nur im NSFW-Workflow.

Farbverschiebung über den Stapel: Mehrere LoRAs, die auf unterschiedliche Farbbehandlungen trainiert wurden. Die Ausgabe hat inkonsistente Farbtemperatur über die Generierungen hinweg. Konkrete Anzeichen sind Haut, die in einer Generierung rosa und in der nächsten gelb aussieht, bei gleichem Prompt.

Lösung: Identifizieren Sie, welches LoRA die stärkste Meinung zur Farbe hat (meist ein Stil- oder Photoreal-LoRA). Fixieren Sie dieses LoRA auf ein moderates Gewicht (0.5-0.6) und stimmen Sie die anderen darum herum ab.

Der diagnostische Ansatz für jeden Konflikt. Deaktivieren Sie alle LoRAs außer einem. Generieren Sie. Fügen Sie das nächste LoRA hinzu. Generieren Sie. Vergleichen Sie. Das LoRA, dessen Hinzufügen die Ausgabe kaputtgemacht hat, ist die Konfliktquelle. Senken Sie sein Gewicht oder entfernen Sie es.

Prozedur für den Gewichts-Sweep

Systematisches Gewichts-Tuning schlägt Raten. Die Prozedur, die ich verwende:

1. Fixieren Sie den Seed. Wählen Sie einen Seed, der akzeptable Ausgaben erzeugt hat, und sperren Sie ihn für den gesamten Sweep. Das isoliert LoRA-Effekte von der Seed-Varianz.

2. Etablieren Sie eine Baseline. Generieren Sie mit allen LoRAs auf "vernünftigen Startgewichten" (das Rezept oben). Speichern Sie dies als Baseline.

3. Variieren Sie ein LoRA nach dem anderen. Verändern Sie das strength_model eines LoRA über einen Bereich (typischerweise 0.3, 0.5, 0.7, 0.9). Halten Sie alle anderen LoRAs auf Baseline-Gewichten. Generieren Sie bei jeder Einstellung.

4. Wählen Sie die beste Einstellung für dieses LoRA. Sehen Sie sich die vier Ausgaben an. Wählen Sie diejenige, bei der der Beitrag dieses LoRA am stärksten ist, ohne die Gesamtausgabe kaputtzumachen. Sperren Sie dieses Gewicht.

5. Gehen Sie zum nächsten LoRA über. Wiederholen Sie den Sweep mit dem nächsten LoRA im Stapel und halten Sie das zuvor abgestimmte LoRA auf seinem besten Gewicht gesperrt.

6. Iterieren Sie bei Bedarf. Manchmal zeigt das Tuning von LoRA 3, dass die Einstellung von LoRA 1 angepasst werden muss. Scheuen Sie sich nicht, zurückzukehren.

Diese Prozedur dauert für einen Vier-LoRA-Stapel 20-40 Generierungen, aber das Ergebnis ist ein abgestimmter Stapel, der konsistent das produziert, was Sie wollen. Im Vergleich zum "alle LoRAs mit 1.0 hineinwerfen"-Ansatz, der in 60 Prozent der Fälle matschige Ausgaben produziert, zahlt sich die Zeitinvestition schnell aus.

Um dies in ComfyUI zu automatisieren, lässt Sie die XY-Plot-Erweiterung automatisch über einen Parameter-Sweep stapelweise generieren. Setzen Sie die Sweep-Achsen auf zwei LoRA-Stärken und generieren Sie das gesamte Raster in einem Durchlauf. Viel schneller als manuelle Sweeps.

Mehr zum Gewichtsausgleich über komplexe Stapel finden Sie in meinem Pony Realism vs. RealVisXL-Bericht, der erörtert, wie sich die LoRA-Kompatibilität zwischen den beiden Ökosystemen unterscheidet, was beeinflusst, welche Stapel überhaupt möglich sind. Wenn Sie Stapel auf 8 GB VRAM betreiben, behandelt die Low-VRAM-Einrichtungsanleitung, wie viele LoRAs Sie praktisch laden können, bevor Sie auf OOM stoßen.

Stack-Presets Speichern

Sobald Sie einen abgestimmten Stapel haben, speichern Sie ihn als Preset. ComfyUI bietet mehrere Möglichkeiten, dies zu tun:

Speichern Sie den gesamten Workflow als JSON. Rechtsklick auf die Leinwand, Workflow speichern. Das bewahrt den LoRA-Stapel zusammen mit allem anderen (Sampler, Prompts, ControlNet usw.). Laden Sie ihn als Vorlage neu, wenn Sie diesen Stapel brauchen.

Speichern Sie nur den Stapel als Node-Vorlage. Wählen Sie den LoRA-Stacker-Node aus, Rechtsklick, als Vorlage speichern. Das speichert nur die Stapelkonfiguration, die Sie in jeden Workflow einfügen können.

Verwenden Sie die Workflow-Bibliothek des ComfyUI Managers. Speichern Sie abgestimmte Workflows dort für eine einfache Wiederverwendung über Projekte hinweg.

Für Produktionsarbeit pflege ich etwa 8-10 benannte Stack-Presets, die häufige Anwendungsfälle abdecken:

• Photoreal-Porträt
• Photoreal-Ganzkörper
• Kinoreife Lifestyle
• Editorial-Mode
• Anime-Porträt
• Anime-Ganzkörper
• Multi-Charakter-Szene
• Hero-Bild (maximales Detail)

Jedes Preset hat seinen eigenen abgestimmten Stapel, und ich wechsle zwischen ihnen, je nachdem, was ich erstelle. Das ist weitaus schneller, als für jedes Projekt neu abzustimmen.

Drei Wiederverwendbare NSFW-Stapel

Drei vollständige Stack-Presets, die häufige Produktionsszenarien abdecken. Verwenden Sie sie unverändert oder als Ausgangspunkte für Ihr eigenes Tuning.

Stapel 1: Photoreal-Lifestyle-Porträt (RealVisXL-Basis)

1. realvis_nsfw_v3: model 0.7, clip 0.55
2. <character>: model 0.85, clip 0.7
3. cinematic_lighting: model 0.5, clip 0.5
4. detailed_skin: model 0.45, clip 0.4

Am besten für Einzelmotiv-Porträt oder Oberkörper, kontrollierte Beleuchtung, photorealistische Ästhetik. Vermeiden für auf explizite Anatomie fokussierte Arbeit (das Unlock-LoRA ist moderat, nicht aggressiv).

Stapel 2: Expliziter Ganzkörper (Pony-Realism-Basis)

1. <character>: model 0.85, clip 0.7
2. photoreal_skin_pony: model 0.65, clip 0.5
3. anatomy_v2: model 0.55, clip 0.4
4. (optional) pose_detail: model 0.4, clip 0.35

Am besten für anatomiefokussierten expliziten Inhalt, Ganzkörperabdeckung, photorealistischen Stil. Pony Realism braucht kein Unlock-LoRA. Vermeiden für porträtfokussierte Arbeit (das Anatomie-LoRA ist für reine Gesichtsausschnitte überbetont).

Stapel 3: Anime-NSFW (NoobAI XL oder Illustrious-Basis)

1. anime_nsfw_unlock: model 0.7, clip 0.55
2. <character>: model 0.85, clip 0.7
3. anime_style: model 0.5, clip 0.45
4. detailed_eyes: model 0.4, clip 0.35

Am besten für Anime-Stil-NSFW mit Charakterkonsistenz. Das Stil-LoRA ist die Persönlichkeit der Ausgabe, wählen Sie es also basierend auf Ihrem ästhetischen Ziel (malerischer, mehr Cell-Shading usw.). Vermeiden für photorealistische Arbeit.

Alle drei sind Ausgangspunkte. Führen Sie Gewichts-Sweeps durch, um basierend auf Ihren spezifischen LoRAs einzustellen. Wenn Sie jeden als Preset speichern, können Sie pro Projekt iterieren, ohne die Basis neu abzustimmen.

Für LoRA-Workflows ohne Verwaltung leitet lewdly.ai Prompts serverseitig durch vorab abgestimmte Stapel. Der Nutzer beschreibt, was er möchte, und die Plattform wendet die richtigen LoRAs mit den richtigen Gewichten an. Das ist die richtige Abstraktionsebene, wenn das Verwalten von LoRA-Stapeln nicht ist, wie Sie Ihre Zeit verbringen möchten. Volle Offenlegung, ich helfe beim Aufbau mit.

Häufig Gestellte Fragen

Wie viele LoRAs kann ich auf SDXL gleichzeitig stapeln? Praktisch 4-5 LoRAs bei moderaten Gewichten. Über 5 hinaus werden Konflikte und Qualitätsverschlechterung gravierend. Manche Workflows unterstützen technisch 8 oder mehr LoRAs, aber die Ausgabe entspricht selten dem, was Sie aus einem kleineren, gut abgestimmten Stapel bekommen würden.

Was ist der Unterschied zwischen dem LoRA Stacker und verketteten LoRA-Loadern? Funktional ähnlich, aber visuell unterschiedlich. Der LoRA Stacker bündelt mehrere LoRAs in einem einzigen Node für sauberere Graphen. Verkettete LoRA-Loader sind explizite Nodes pro LoRA. Beide produzieren gleichwertige Ausgaben. Der Stacker ist besser für 3 oder mehr LoRAs, einzelne Loader sind für 1-2 in Ordnung.

Warum sieht meine Ausgabe mit mehreren LoRAs matschig aus? Die häufigste Ursache sind zwei LoRAs, die bei hohen Gewichten Ähnliches versuchen. Deaktivieren Sie LoRAs einzeln, um den Konflikt zu finden. Senken oder entfernen Sie das LoRA, das die Ausgabe kaputtmacht. Ein kombiniertes Gesamt-Model-Gewicht über 3.0 ist ebenfalls eine häufige Ursache.

Sollte strength_clip immer gleich strength_model sein? Meist nein. Eine leichte Reduzierung von strength_clip (0.6-0.7 gegenüber 0.8 Model) hilft, Prompt-Durcheinander zu verhindern. Speziell für Anatomie-LoRAs verhindert ein deutlich niedrigeres CLIP-Gewicht (0.3-0.4) die Überbetonung. Für Charakter-LoRAs verhindert ein niedrigeres CLIP-Gewicht eine Überfixierung auf Charakternamen-Triggerwörter.

Kann ich Pony-LoRAs und SDXL-LoRAs im selben Stapel mischen? Technisch ja, praktisch nein. Die latenten Räume sind unterschiedlich und die LoRAs wurden auf verschiedenen zugrunde liegenden Modellen trainiert. Sie können Pony-LoRAs mit reduzierten Gewichten auf einem Pony-Basis-Modell verwenden, das bereits den latenten Raum teilt. Das Mischen über Ökosysteme hinweg produziert meist Artefakte.

Was ist mit dem Zusammenführen von LoRAs anstelle des Stapelns? Das Zusammenführen von LoRAs kombiniert mehrere LoRAs in eine einzige LoRA-Datei. Das erzeugt zur Laufzeit gleichwertige Effekte wie das Stapeln, aber mit geringerem VRAM-Verbrauch während des Samplings. Lohnenswert für stabile Produktionsstapel. Die Merge-Tools (im ComfyUI Manager oder über die kohya-Skripte) erledigen das. Einmal zusammengeführt, lädt das kombinierte LoRA als einzelnes LoRA mit einem Gewicht.

Wie erkenne ich, ob ein LoRA mit einem anderen in Konflikt steht? Generieren Sie mit jedem LoRA einzeln und vergleichen Sie mit der Stapel-Ausgabe. Wenn der Stapel-Ausgabe die sichtbare Signatur eines LoRA fehlt, wird dieses LoRA von etwas anderem im Stapel unterdrückt. Wenn die Stapel-Ausgabe seltsame Artefakte hat, die in keinem einzelnen LoRA vorhanden sind, verstärken sich zwei LoRAs gegenseitig.

Spielt die Reihenfolge der LoRAs in einem Stapel eine Rolle? In den meisten Stacker-Implementierungen nein. LoRAs werden als Summe ihrer Gewichtsmodifikationen kombiniert, und die Reihenfolge ändert das Ergebnis nicht. Einige ältere Chained-Loader-Implementierungen haben geringfügige Reihenfolgeeffekte, aber sie sind vernachlässigbar.

Kann ich ein LoRA deaktivieren, ohne es aus dem Workflow zu entfernen? Ja. Setzen Sie sein strength_model auf 0 und strength_clip auf 0. Das LoRA wird geladen, trägt aber nichts bei. Das ist nützlich für A/B-Tests. Denken Sie nur daran, die Gewichte zurückzusetzen, wenn Sie es wieder im Mix haben möchten.

Was ist die maximale Stärke, die ich einstellen kann? Die meisten LoRA-Loader akzeptieren Werte von 0-2.0 oder sogar höher. Über 1.0 überbetont das LoRA über das hinaus, wofür es trainiert wurde, und produziert meist Artefakte. Bleiben Sie für Produktionsarbeit im Bereich 0.3-1.0. Der Bereich über 1.0 ist nur für Experimente.

Das Richtige Mentale Modell

LoRA-Stacking ist Komposition, nicht Addition. Stellen Sie sich jedes LoRA als ein Instrument in einem Ensemble vor. Eine Solo-Geige ist für sich genommen interessant. Drei Geigen, die dieselbe Linie spielen, sind einfach lauter, nicht besser. Eine Geige, eine Bratsche und ein Cello, die komplementäre Parts spielen, sind Musik. Dasselbe Prinzip gilt für LoRA-Stapel. Vielfältige LoRAs, die unterschiedliche Rollen erfüllen, sind Musik. Redundante LoRAs bei hohen Gewichten sind Lärm.

Die größte Lektion aus zwei Jahren LoRA-Stacking in professionellen NSFW-Workflows. Diszipliniertes Gewichts-Tuning schlägt teure Hardware. Ein gut abgestimmter Drei-LoRA-Stapel auf einem moderaten Basismodell produziert bessere Ausgaben als ein schlampiger Sechs-LoRA-Stapel auf der besten Hardware. Die Arbeit, die in das Tuning fließt, bestimmt die Obergrenze, nicht die LoRA-Anzahl oder die Ausrüstung.

Für Leute, die saubere Ausgaben wollen, ohne das Tuning selbst zu verwalten, ist das genau das, was die serverseitige LoRA-Weiterleitung von lewdly.ai erledigt. Die Plattform wählt Stapel und Gewichte basierend auf der Prompt-Analyse, und der Nutzer muss über nichts davon nachdenken. Für die meisten Nutzer ist das die richtige Abstraktionsebene. Für technische Nutzer, die volle Kontrolle wollen, ist der hier beschriebene manuelle ComfyUI-Workflow der richtige Weg.

Referenzressourcen umfassen das Efficiency Nodes ComfyUI GitHub für den LoRA-Stacker-Node, das multi-lora-stack-Repo für eine alternative Implementierung und die Civitai-LoRA-Dokumentation, die Community-Anleitungen zu bestimmten LoRA-Kombinationen enthält, die gut funktionieren.