Tinh Chỉnh LoRA Stable Diffusion: Cơ Chế Tạo Mô Hình NSFW Tùy Chỉnh

Năm ngoái tôi đã dành ba ngày frustrating cố gắng tùy chỉnh một mô hình Stable Diffusion cho kiểu dáng cơ thể và tư thế rất cụ thể. Phương pháp full fine-tuning liên tục làm crash GPU và xóa sạch mọi kiến thức về ánh sáng, bố cục của mô hình gốc. Sau đó tôi chuyển sang LoRA fine-tuning Stable Diffusion. Tính đến tháng 5 năm 2026 kỹ thuật này vẫn thống trị nhờ việc đóng băng trọng số gốc và chỉ thêm các ma trận huấn luyện nhỏ. Các phân tích cuối 2025 cho thấy LoRA giảm hơn 99% tham số cần huấn luyện. Công việc từng mất nhiều ngày giờ chỉ cần chưa đầy hai giờ trên một RTX 4090. Các nhà sáng tạo cuối cùng có được khuôn mặt, cơ thể và tư thế khiêu dâm siêu cụ thể mà không phá hủy kiến thức chung của mô hình.

Ý tưởng cốt lõi rất tinh tế. Thay vì cập nhật toàn bộ ma trận trọng số W, LoRA xấp xỉ sự thay đổi bằng tích của hai ma trận nhỏ hơn nhiều: ΔW = BA. B cao và mỏng, A ngắn và rộng, hạng r được giữ nhỏ (thường từ 8 đến 64). Thủ thuật low-rank này hoạt động cực tốt với diffusion model vì hầu hết cập nhật quan trọng nằm trong không gian con chiều thấp. Alpha điều chỉnh đầu ra để adapter không lấn át mô hình gốc bị đóng băng. Kết quả gần như kỳ diệu: bạn chỉ huấn luyện một phần nhỏ tham số nhưng vẫn nắm bắt được chi tiết tinh tế như đường cong hông hay cách thả của đồ lót ren.

Các module LoRA được chèn vào lớp cross-attention của U-Net và text encoder. Vị trí này rất quan trọng vì các lớp này kiểm soát cách prompt văn bản chuyển thành đặc trưng hình ảnh. Nhờ đó một LoRA được huấn luyện tốt sẽ tăng độ chính xác prompt cho cảnh erotic cực kỳ cụ thể mà không ảnh hưởng phần còn lại của mạng. Vì trọng số gốc bị đóng băng, mô hình vẫn giữ hiểu biết rộng về giải phẫu, ánh sáng và bố cục. Bạn có thể yêu cầu “một người phụ nữ ở tư thế chính xác đó chỉ mặc áo choàng lụa mở” và adapter sẽ xử lý chi tiết tùy chỉnh trong khi foundation model lo phần còn lại. Sự tách biệt này giúp việc kết hợp nhiều LoRA sau này trở nên tự nhiên thay vì hỗn loạn.

Bắt đầu với 10–30 ảnh được chọn kỹ về kiểu dáng cơ thể, tư thế hoặc trang phục mong muốn. Cắt xén nhất quán, caption chi tiết rồi đưa vào Kohya_ss. Cài đặt phổ biến cho nội dung người lớn: rank 32, alpha 32, learning rate khoảng 1e-4. Hầu hết buổi huấn luyện kết thúc sau 60–90 phút trên RTX 4090. Khi đã có nhiều LoRA (một cho mặt, một cho tư thế, một cho đồ lót) bạn có thể load chúng cùng lúc với cường độ khác nhau. Khả năng mang lại tùy chỉnh chính xác, chi phí thấp trực tiếp vào quy trình diffusion chính là lý do AiExotic có thể tạo ra hình ảnh và khung video người lớn siêu thực tế, đặc trưng theo performer. Tinh Chỉnh LoRA Stable Diffusion: Mô Hình NSFW Tùy Chỉnh Trong Vài Giờ sẽ cho bạn thấy cách các adapter này mở rộng thành cảnh hoàn chỉnh.