#画像生成

ModelScope Studioで公開されたQwen-Image 2.1の早期アクセス版を手動操作で検証した記録。Animaで通らなかった構図指定10種と4人バンドを投げ、かなちゃんの参照画像から向き・服・ポーズの変更や、複数人参照での描き分けをどこまで追従できるか確認した。

素のAnima-Base v1.0をM1 Max 64GBで回し、赤一色と青一色の生成からdenoiseのどのstepで色が分かれ、残差ストリームのどのBlockへ差分を足すと出力の色が変わるかを調べた。次に同じ方向を1人の髪に足し、最後に2人並びの髪色でconditioning差し替えと残差の書き換えを試した実験記録。位置の束縛は特定できたが、髪色を属性として切り出す条件は今回の方法では見つからなかった。

手元のModelScopeアカウントでAPI-Inferenceの枠が月ごとの上限からMagicube制に変わっていたので、何を叩くと何コイン減るかを実測した。今回取得した一覧APIに無いQwen-ImageやZ-Image、FLUXが画像エンドポイントで動き、試した埋め込みはQwen3-Embeddingの3つだけが通り、音声のパスは404、Wanは動画が出なかった。今回の範囲では400や404は消費なし、200なら空応答でも課金。

M1 Max 64GBのComfyUIで、白黒のアイコンをWAI-Anima＋かなちゃんLoRAで描き直した記録。i2iとQwen-Image-Editは外れ、向き・手・表情・涎をプロンプトで1点ずつ寄せ、cfg 1.0でネガティブが効かない理由と、4x-UltraSharpと1.5倍i2iでの印刷用拡大まで。

Anima-2.9Bをさらに層拡張し、Qwen3.5-4Bをテキストエンコーダに追加したコミュニティ版Anima-3.8Bを、M1 Max 64GBのComfyUI v0.33.3で実測する。過去に線形ブリッジで失敗したエンコーダ交換を、0.6Bの経路を残したままcross-attentionを挟む形でどう実現したかをコードと重みから読み、効かなかった構図プリセット10種と4人バンドの役割指定をBase・2.9Bと同seedで比較したら、真後ろや後列のドラマーは通るようになり、顔をフレーム外などの切り取り指定は逆に効かなくなった。既存キャラLoRAは番号を52ブロックへ付け替えれば本人が出る。

Anima-Baseを28層から40層へ層拡張したコミュニティ版Anima-2.9Bに、Anima-Base v1.0で焼いた4人LoRAとペアLoRAをそのまま当てる。新層が12個割り込むのでブロック番号が2番目以降ずれる構造で、ComfyUIはエラーを出さずに読む。そのまま当てるとキャラが出ず、番号を付け替えたLoRAでは3シードとも本人が出た。M1 Max 64GBのComfyUI v0.33.1以降で、Turbo LoRAとint8版、生成時間まで実測。

4人合体LoRAで起きる崩れの原因を、プロンプトの書き方からQwen/T5のconditioning、DiTのLoRAモジュールまで8月7日から14日にかけて掘り下げた8本の記録。DiT直前のconditioningを消すと人物が別人に置き換わり、着せ間違いはDiT LoRA側の偏りだと分かるところまでをたどる。

ComfyUIで、Animaの4人LoRAへ左ベース、中央ギターボーカル、右ギター、後列ドラムを割り当てた。手書きプロンプト、Qwen3-4B〜14Bの作文、4Bへの線形ブリッジ、507トークンへの圧縮、全896キャプションの確認を比べ、次に直す学習データを絞った。

M4 Mac mini上のAnimaと4人LoRAで、表情、単独ポーズ、家具に触れる姿勢、2人のハイタッチ、前景3人＋後景1人を3シード検証した。プロンプト内で人物を説明する文の順番、中央の枠、人数の割り振りのどれが効くかを一文ずつ追う。

前景右へ黒タイツが固定される4人LoRAをLLMAdapter-onlyとDiT-onlyへ分けた。M4 Mac miniのComfyUIで同じQwen3-0.6BとT5列を使い、DiT LoRAを適用した時だけ着せ間違いが起きるところまで絞り込んだ。

4人LoRAでかなとこはるの立ち位置と衣装の指定を独立に入れ替えた。黒タイツを指定した人物ではなく前景右の人物が12/12で履き、プロンプトを言い直しても短くしても直らない範囲をComfyUIで追った。

Animaの4人LoRAで、くららとけいの会話、こはるの腕組み、かなの手振りを1つの教室に入れた。8通り×3シードをComfyUIで生成し、役割は出ても完成イラストは0/3だった原因を切り分けた。