Guide d'empilement de LoRA dans ComfyUI pour les générations NSFW

Un seul LoRA suffit rarement pour un travail NSFW de production. Vous avez besoin d'un LoRA de personnage pour la constance du visage, d'un LoRA de style pour le traitement visuel, d'un LoRA d'anatomie pour la fidélité explicite, et peut-être d'un LoRA de déverrouillage si vous utilisez un modèle de base qui a besoin d'aide. Cet empilement de trois ou quatre LoRA doit fonctionner ensemble sans que l'un annule l'autre ou produise un résultat moyenné brouillon. La plupart des gens empilent les LoRA en les jetant tous au poids par défaut en espérant que ça marche. C'est pour ça que leurs sorties ont l'air d'être passées au mixeur. Bien empiler des LoRA est une compétence d'artisan, et voici le procédé exact que j'utilise pour obtenir une sortie propre à partir d'empilements complexes.

Réponse rapide : Dans ComfyUI, enchaînez des nœuds LoRA Loader ou utilisez le LoRA Stacker des Efficiency Nodes. Un empilement typique règle le LoRA de déverrouillage à 0.7, le LoRA de personnage à 0.8, le LoRA de style à 0.6, le LoRA d'anatomie à 0.5. Chaque LoRA a un poids modèle et un poids CLIP. Baissez le poids CLIP (0.4-0.6) si les prompts semblent brouillés. Testez un LoRA à la fois, puis ajoutez-en d'autres progressivement. Le conflit entre deux LoRA qui tentent de faire des choses similaires est l'échec le plus courant.

Pourquoi un seul LoRA suffit rarement

Écoutez, la raison pour laquelle vous ne pouvez pas obtenir une sortie NSFW de production à partir d'un seul LoRA, c'est que les LoRA sont des spécialistes. Un LoRA de personnage encode les traits du visage et les proportions du corps mais ne sait pas à quoi ressemble une bonne texture de peau. Un LoRA de style encode l'éclairage et le traitement des couleurs mais ne connaît pas le visage de votre personnage. Un LoRA d'anatomie comble les lacunes du contenu explicite mais n'a pas d'avis sur la composition. Chaque LoRA porte l'information dans une bande étroite, et une bonne sortie exige que plusieurs bandes travaillent ensemble.

Le calcul derrière pourquoi ça marche. Un LoRA modifie les poids du modèle de base dans une décomposition de bas rang, ce qui signifie qu'il oriente le comportement du modèle dans une direction précise tout en laissant la majeure partie du modèle inchangée. Empiler plusieurs LoRA combine leurs orientations, et tant que ces orientations vont dans des directions à peu près orthogonales, l'effet combiné est l'union de leurs capacités individuelles.

Là où l'empilement déraille, c'est quand deux LoRA orientent dans des directions similaires. Si vous chargez deux LoRA de peau photoréaliste à pleine force, ils poussent tous les deux le modèle vers une peau photoréaliste, et l'effet combiné est une "peau sur-photoréaliste" qui se traduit généralement par un aspect cireux ou surdétaillé. C'est l'échec d'empilement le plus courant et il survient chaque fois que les créateurs chargent des LoRA sans réfléchir à ce que chacun fait réellement.

Le bon modèle mental. Imaginez chaque LoRA comme un vecteur dans l'espace des styles. Empiler des LoRA additionne les vecteurs. Si deux vecteurs pointent dans des directions similaires, vous obtenez un résultat surcuit dans cette direction. S'ils pointent dans des directions différentes, vous obtenez une combinaison équilibrée. Empilez des LoRA divers, pas des redondants.

Pour le travail NSFW en particulier, l'empilement de production typique couvre quatre bandes :

• Bande de déverrouillage : Aide le modèle de base à produire du contenu explicite (principalement pour Flux)
• Bande de personnage : Fixe des traits de visage/corps spécifiques
• Bande de style : Contrôle le traitement visuel (photoréaliste, cinématique, mode)
• Bande d'anatomie : Améliore la fidélité du contenu explicite

Ces bandes sont suffisamment orthogonales pour que les quatre puissent s'empiler sans conflits majeurs. Ajouter plus de LoRA au-delà introduit généralement de la redondance et dégrade la sortie.

Poids modèle contre poids CLIP

Chaque LoRA Loader de ComfyUI a deux paramètres de poids appelés strength_model et strength_clip. La plupart des tutoriels survolent la différence entre les deux. Connaître la différence, c'est la clé d'un empilement sérieux.

strength_model contrôle à quel point le LoRA modifie le UNet (le modèle de diffusion lui-même). C'est l'influence visuelle. Un strength_model plus élevé signifie que la signature visuelle du LoRA apparaît plus fortement dans la sortie. C'est ce que la plupart des gens entendent par "force du LoRA".

strength_clip contrôle à quel point le LoRA modifie l'encodeur de texte (CLIP). Cela affecte la façon dont le modèle interprète les prompts. Un strength_clip plus élevé signifie que le LoRA oriente la compréhension du prompt vers ce sur quoi le LoRA a été entraîné.

Dans la plupart des cas, vous voulez strength_model et strength_clip à des valeurs à peu près égales. Le modèle et l'encodeur de texte doivent s'accorder sur ce que le LoRA veut. S'ils divergent trop, vous obtenez une sortie brouillée où le modèle rend une chose pendant que l'encodeur de texte croit que vous avez demandé autre chose.

Mais il y a des cas précis où vous les voulez différents :

• LoRA de personnage : Bénéficient souvent d'un poids CLIP légèrement plus bas (0.6-0.7 contre 0.8 de poids modèle) parce que la modification CLIP peut surdimensionner les mots déclencheurs du nom du personnage et donner l'impression que les prompts sont contraints.
• LoRA de style : Bénéficient parfois d'un poids CLIP plus élevé pour pousser le modèle à interpréter les prompts dans le vocabulaire stylistique du LoRA.
• LoRA d'anatomie : Veulent généralement un poids CLIP plus bas (0.4-0.5) pour éviter que le modèle surdimensionne l'anatomie dans l'interprétation du prompt.
• LoRA de déverrouillage : Veulent un strength_model à 0.7-0.8 et un strength_clip à 0.5-0.6 parce que pousser le CLIP trop fort commence à mutiler la sémantique du prompt.

Un point de départ courant en 2026 qui fonctionne :

• strength_model : 0.8
• strength_clip : 0.6

C'est un léger déséquilibre qui donne de l'influence visuelle sans brouiller les prompts. Réglez à partir de là selon le ressenti de votre empilement.

Configuration du nœud LoRA Stacker

Pour empiler proprement 3 LoRA ou plus, le nœud LoRA Stacker des Efficiency Nodes est le bon outil. Il regroupe plusieurs opérations de LoRA Loader dans un seul nœud, ce qui garde votre graphe lisible. Installez les Efficiency Nodes via le ComfyUI Manager. Le nœud apparaît sous le nom "LoRA Stacker" dans la catégorie des chargeurs.

Le nœud LoRA Stacker comporte :

• lora_count : nombre d'emplacements de LoRA à exposer (réglez-le selon la taille de votre empilement)
• mode : "simple" ou "advanced" (simple utilise un poids par LoRA, advanced sépare modèle et CLIP)
• Pour chaque emplacement : lora_name (menu déroulant des LoRA disponibles), strength (ou strength_model et strength_clip en mode advanced)

Pour le travail NSFW j'utilise toujours le mode advanced parce que la distinction entre poids modèle et CLIP compte. Le mode simple convient à l'expérimentation occasionnelle mais limite vos options de réglage.

Le nœud produit un unique LORA_STACK que vous connectez à un nœud en aval qui applique tous les LoRA empilés d'un coup. Le schéma standard est :

1. CheckpointLoader → produit model et clip
2. LoRA Stacker → entrée lora_count et réglages par LoRA → produit LORA_STACK
3. Apply LoRA Stack → entrées model, clip, LORA_STACK → produit model et clip modifiés
4. KSampler avec le model et le clip modifiés

Cela reste visuellement propre même avec plus de 5 LoRA dans l'empilement. Comparé aux LoRA Loader enchaînés (où chaque chargeur est un nœud séparé), l'approche Stacker est nettement plus lisible pour les workflows de production.

L'autre option de stacker à connaître est le multi-lora-stack de ShmuelRonen, qui a une interface plus dynamique et peut permuter les LoRA à l'exécution. Utile pour les workflows expérimentaux mais le Stacker standard des Efficiency Nodes est ce que j'utilise en production.

Recette : Déverrouillage + Personnage + Style + Anatomie

L'empilement à quatre bandes qui couvre la majorité du travail NSFW de production. Les réglages sont des points de départ ; ajustez selon vos LoRA et votre modèle de base spécifiques.

Pour Pony Realism v2.2 ou un SDXL à base Pony similaire :

LoRA 1 (Unlock, optional for Pony):
  lora_name: pony_nsfw_unlock.safetensors (if needed)
  strength_model: 0.4 (Pony already knows NSFW)
  strength_clip: 0.3

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

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

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

Poids modèle combiné total : 2.35. Cela se situe dans la plage sûre pour les modèles de la famille SDXL. Au-dessus de 3.0 vous commencez à risquer une dégradation de la sortie. En dessous de 1.5 vous sous-utilisez probablement l'empilement.

Pour RealVisXL V5 (sans a priori NSFW intégré) :

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

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

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

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

Poids modèle combiné total : 2.65. Légèrement plus élevé parce que RealVisXL a besoin de plus de poussée de la part du LoRA de déverrouillage pour rivaliser avec son biais d'entraînement orienté portrait photoréaliste.

Pour Flux Dev ou Flux Schnell :

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

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

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

Trois LoRA au total parce que Flux a un écosystème de LoRA plus restreint et qu'empiler davantage introduit plus souvent des conflits. Poids modèle combiné total : 2.15.

Les schémas ci-dessus sont des points de départ. Le vrai travail consiste à balayer les poids individuels et à voir ce qui fonctionne pour vos combinaisons de LoRA et votre modèle de base spécifiques.

Schémas de conflit et comment les diagnostiquer

Reconnaître les schémas de conflit fait la différence entre deviner et régler. Voici les échecs les plus courants et à quoi ils ressemblent dans la sortie.

Concurrence de styles (la plus courante) : Deux LoRA qui tentent de faire des choses similaires. La sortie a l'air "boueuse" ou "surcuite". Les signes précis incluent une peau cireuse, un éclairage qui semble artificiel et des couleurs sursaturées.

Correctif : Réduisez l'un des LoRA en concurrence à 0.4-0.5 de strength_model, ou retirez-le complètement.

Dérive du personnage à cause d'un LoRA de style : Le visage du LoRA de personnage écrasé par un LoRA de style agressif. Les signes précis incluent des changements de forme du visage entre les générations avec le même prompt, une dérive de l'origine ethnique et un aplatissement de l'expression.

Correctif : Baissez le strength_model du LoRA de style à 0.4-0.5. Augmentez le strength_model du LoRA de personnage à 0.9. Baissez spécifiquement le strength_clip du LoRA de style à 0.3-0.4.

Surdimensionnement de l'anatomie : Le LoRA d'anatomie tire trop fort sur les détails du corps. Les signes précis incluent des caractéristiques anatomiques exagérées de façon caricaturale, des parties du corps qui ont visiblement l'air injectées par le LoRA, et des prompts portant sur des détails non anatomiques qui sont ignorés.

Correctif : strength_model du LoRA d'anatomie à 0.4 maximum. Le poids CLIP en particulier devrait être très bas (0.3-0.4) pour les LoRA d'anatomie parce que c'est la modification CLIP qui fait que le LoRA surdimensionne les caractéristiques dans les prompts.

Le LoRA de déverrouillage qui déborde sur du contenu SFW : Le LoRA de déverrouillage qui oriente toutes les générations vers le NSFW même quand le prompt ne le demande pas. Les signes précis incluent chaque génération qui tend vers l'explicite même avec des prompts qui devraient être SFW, et le modèle qui ajoute des éléments NSFW sans qu'on le lui demande.

Correctif : strength_model du LoRA de déverrouillage à 0.6 maximum. Si vous faites un travail mixte SFW/NSFW, construisez des workflows séparés pour chacun et n'utilisez le LoRA de déverrouillage que dans le workflow NSFW.

Décalage de couleur sur l'empilement : Plusieurs LoRA entraînés sur des traitements de couleur différents. La sortie a une température de couleur incohérente d'une génération à l'autre. Les signes précis incluent une peau qui paraît rose dans une génération et jaune dans la suivante, avec le même prompt.

Correctif : Identifiez quel LoRA a le plus d'avis sur la couleur (généralement un LoRA de style ou photoréaliste). Verrouillez ce LoRA à un poids modéré (0.5-0.6) et réglez les autres autour.

L'approche diagnostique pour tout conflit. Désactivez tous les LoRA sauf un. Générez. Ajoutez le LoRA suivant. Générez. Comparez. Le LoRA dont l'ajout a cassé la sortie est la source du conflit. Baissez son poids ou retirez-le.

Procédure de balayage des poids

Un réglage systématique des poids vaut mieux que deviner. La procédure que j'utilise :

1. Fixez le seed. Choisissez un seed qui a produit une sortie acceptable et verrouillez-le pour tout le balayage. Cela isole les effets des LoRA de la variance du seed.

2. Établissez une référence. Générez avec tous les LoRA à des "poids de départ raisonnables" (la recette ci-dessus). Sauvegardez-la comme référence.

3. Balayez un LoRA à la fois. Faites varier le strength_model d'un LoRA sur une plage (typiquement 0.3, 0.5, 0.7, 0.9). Gardez tous les autres LoRA à leurs poids de référence. Générez à chaque réglage.

4. Choisissez le meilleur réglage pour ce LoRA. Regardez les quatre sorties. Choisissez celle où la contribution de ce LoRA est la plus forte sans casser la sortie globale. Verrouillez ce poids.

5. Passez au LoRA suivant. Répétez le balayage avec le LoRA suivant de l'empilement, en gardant le LoRA réglé précédemment verrouillé à son meilleur poids.

6. Itérez si nécessaire. Parfois régler le LoRA 3 révèle que le réglage du LoRA 1 a besoin d'un ajustement. N'ayez pas peur de revenir en arrière.

Cette procédure prend 20 à 40 générations pour un empilement à quatre LoRA mais le résultat est un empilement réglé qui produit systématiquement ce que vous voulez. Comparée à l'approche "jeter tous les LoRA à 1.0" qui produit une sortie brouillonne 60 pour cent du temps, l'investissement en temps se rentabilise vite.

Pour automatiser cela dans ComfyUI, l'extension XY Plot vous permet de générer par lots sur un balayage de paramètres automatiquement. Réglez les axes du balayage sur deux forces de LoRA et générez la grille complète en un seul lot. Bien plus rapide que les balayages manuels.

Pour en savoir plus sur l'équilibrage des poids sur des empilements complexes, mon comparatif Pony Realism contre RealVisXL explique comment la compatibilité des LoRA diffère entre les deux écosystèmes, ce qui affecte les empilements même possibles. Si vous faites tourner des empilements sur 8 Go de VRAM, le guide de configuration en faible VRAM couvre combien de LoRA vous pouvez charger en pratique avant de tomber en panne mémoire.

Sauvegarder des préréglages d'empilement

Une fois que vous avez un empilement réglé, sauvegardez-le comme préréglage. ComfyUI offre plusieurs façons de le faire :

Sauvegarder le workflow entier en JSON. Clic droit sur le canevas, sauvegarder le workflow. Cela préserve l'empilement de LoRA avec tout le reste (sampler, prompts, ControlNet, etc.). Rechargez-le comme modèle quand vous avez besoin de cet empilement.

Sauvegarder seulement l'empilement comme modèle de nœud. Sélectionnez le nœud LoRA Stacker, clic droit, sauvegarder comme modèle. Cela sauvegarde uniquement la configuration de l'empilement, que vous pouvez déposer dans n'importe quel workflow.

Utiliser la bibliothèque de workflows du ComfyUI Manager. Sauvegardez-y les workflows réglés pour une réutilisation facile entre projets.

Pour le travail de production, je maintiens environ 8 à 10 préréglages d'empilement nommés couvrant les cas d'usage courants :

• Portrait photoréaliste
• Corps entier photoréaliste
• Lifestyle cinématique
• Mode éditoriale
• Portrait anime
• Corps entier anime
• Scène multi-personnages
• Image héro (détail maximal)

Chaque préréglage a son propre empilement réglé et je bascule entre eux selon ce que je fais. C'est bien plus rapide que de re-régler pour chaque projet.

Trois empilements NSFW réutilisables

Trois préréglages d'empilement complets qui couvrent des scénarios de production courants. Utilisez-les tels quels ou comme points de départ pour votre propre réglage.

Empilement 1 : Portrait lifestyle photoréaliste (base RealVisXL)

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

Idéal pour un portrait à sujet unique ou un buste, un éclairage contrôlé, une esthétique photoréaliste. À éviter pour un travail centré sur l'anatomie explicite (le LoRA de déverrouillage est modéré, pas agressif).

Empilement 2 : Corps entier explicite (base Pony Realism)

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

Idéal pour du contenu explicite centré sur l'anatomie, une couverture du corps entier, un style photoréaliste. Pony Realism n'a pas besoin de LoRA de déverrouillage. À éviter pour un travail centré sur le portrait (le LoRA d'anatomie est surdimensionné pour les recadrages limités au visage).

Empilement 3 : Anime NSFW (base NoobAI XL ou Illustrious)

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

Idéal pour du NSFW de style anime avec constance du personnage. Le LoRA de style est la personnalité de la sortie, alors choisissez selon votre cible esthétique (plus pictural, plus cell-shaded, etc.). À éviter pour un travail photoréaliste.

Ces trois empilements sont des points de départ. Faites des balayages de poids pour les affiner selon vos LoRA spécifiques. Sauvegarder chacun comme préréglage vous permet d'itérer projet par projet sans re-régler la base.

Pour des workflows de LoRA sans aucune gestion, lewdly.ai achemine les prompts à travers des empilements préréglés côté serveur. L'utilisateur décrit ce qu'il veut et la plateforme applique les bons LoRA aux bons poids. C'est le bon niveau d'abstraction si gérer des empilements de LoRA n'est pas ainsi que vous voulez passer votre temps. En toute transparence, j'aide à le construire.

Foire aux questions

Combien de LoRA puis-je empiler en même temps sur SDXL ? En pratique 4 à 5 LoRA à des poids modérés. Au-delà de 5, les conflits et la dégradation de qualité deviennent sévères. Certains workflows supportent techniquement plus de 8 LoRA mais la sortie correspond rarement à ce que vous obtiendriez d'un empilement plus petit et bien réglé.

Quelle est la différence entre LoRA Stacker et LoRA Loader enchaînés ? Fonctionnellement similaires mais visuellement différents. Le LoRA Stacker regroupe plusieurs LoRA dans un seul nœud pour des graphes plus propres. Les LoRA Loader enchaînés sont des nœuds explicites par LoRA. Les deux produisent une sortie équivalente. Le Stacker est meilleur pour 3 LoRA ou plus, les Loader individuels conviennent pour 1 ou 2.

Pourquoi ma sortie a-t-elle l'air brouillonne avec plusieurs LoRA ? La cause la plus courante est deux LoRA qui tentent de faire des choses similaires à des poids élevés. Désactivez les LoRA un à un pour trouver le conflit. Baissez ou retirez le LoRA qui casse la sortie. Un poids modèle combiné total au-dessus de 3.0 est aussi une cause fréquente.

strength_clip doit-il toujours être égal à strength_model ? Généralement non. Une légère réduction de strength_clip (0.6-0.7 contre 0.8 de modèle) aide à éviter le brouillage des prompts. Pour les LoRA d'anatomie en particulier, un poids CLIP bien plus bas (0.3-0.4) évite le surdimensionnement. Pour les LoRA de personnage, un poids CLIP plus bas évite la sur-fixation sur les mots déclencheurs du nom du personnage.

Puis-je mélanger des LoRA Pony et des LoRA SDXL dans le même empilement ? Techniquement oui, en pratique non. Les espaces latents sont différents et les LoRA ont été entraînés sur des modèles sous-jacents différents. Vous pouvez utiliser des LoRA Pony à poids réduit sur un modèle de base Pony qui partage déjà l'espace latent. Mélanger entre écosystèmes produit généralement des artefacts.

Et la fusion de LoRA plutôt que l'empilement ? La fusion de LoRA combine plusieurs LoRA en un seul fichier LoRA. Cela produit des effets équivalents à l'empilement à l'exécution mais avec une utilisation de VRAM plus faible pendant l'échantillonnage. Vaut le coup pour des empilements de production stables. Les outils de fusion (dans le ComfyUI Manager ou via les scripts kohya) s'en chargent. Une fois fusionné, le LoRA combiné se charge comme un LoRA unique avec un seul poids.

Comment savoir si un LoRA est en conflit avec un autre ? Générez avec chaque LoRA individuellement et comparez à la sortie de l'empilement. Si la sortie de l'empilement manque la signature visible d'un LoRA, ce LoRA est supprimé par autre chose dans l'empilement. Si la sortie de l'empilement présente des artefacts étranges absents de chaque LoRA individuel, deux LoRA s'amplifient mutuellement.

L'ordre des LoRA compte-t-il dans un empilement ? Dans la plupart des implémentations de stacker, non. Les LoRA sont combinés comme une somme de leurs modifications de poids et l'ordre ne change pas le résultat. Certaines anciennes implémentations à chargeurs enchaînés ont de légers effets d'ordre mais ils sont négligeables.

Puis-je désactiver un LoRA sans le retirer du workflow ? Oui. Réglez son strength_model à 0 et strength_clip à 0. Le LoRA est chargé mais ne contribue à rien. C'est utile pour les tests A/B. Souvenez-vous juste de réinitialiser les poids quand vous voulez le réintégrer.

Quelle est la force maximale que je peux régler ? La plupart des LoRA Loader acceptent des valeurs de 0 à 2.0 voire plus. Au-dessus de 1.0 on surdimensionne le LoRA au-delà de ce pour quoi il a été entraîné et on produit généralement des artefacts. Restez dans la plage 0.3-1.0 pour le travail de production. La plage 1.0 et plus est réservée à l'expérimentation.

Le bon modèle mental

L'empilement de LoRA est de la composition, pas de l'addition. Pensez à chaque LoRA comme à un instrument dans un ensemble. Un violon solo est intéressant en soi. Trois violons jouant la même ligne sont juste plus forts, pas meilleurs. Un violon, un alto et un violoncelle jouant des parties complémentaires, c'est de la musique. Le même principe s'applique aux empilements de LoRA. Des LoRA divers remplissant des rôles différents, c'est de la musique. Des LoRA redondants à des poids élevés, c'est du bruit.

La plus grande leçon de deux ans d'empilement de LoRA dans des workflows NSFW de production. Un réglage discipliné des poids vaut mieux qu'un matériel coûteux. Un empilement à trois LoRA bien réglé sur un modèle de base modéré produit une meilleure sortie qu'un empilement à six LoRA bâclé sur le meilleur matériel. C'est le travail mis dans le réglage qui détermine le plafond, pas le nombre de LoRA ni l'équipement.

Pour les gens qui veulent une sortie propre sans gérer le réglage eux-mêmes, c'est exactement ce que gère l'acheminement de LoRA côté serveur de lewdly.ai. La plateforme choisit les empilements et les poids selon l'analyse du prompt et l'utilisateur n'a à penser à rien de tout ça. Pour la plupart des utilisateurs, c'est la bonne couche d'abstraction. Pour les utilisateurs techniques qui veulent un contrôle total, le workflow ComfyUI manuel décrit ici est la voie.

Les ressources de référence incluent le GitHub des Efficiency Nodes ComfyUI pour le nœud LoRA Stacker, le dépôt multi-lora-stack pour une implémentation alternative, et la documentation LoRA de Civitai qui propose des guides communautaires sur des combinaisons de LoRA spécifiques qui fonctionnent bien.