Civitai LoRA 与 Checkpoint 的区别：怎么选、怎么搭

Checkpoint：完整的底模

Checkpoint（常称“大模型”“底模”）是一个完整的图像生成模型权重文件，它决定了画面的整体能力：构图、光影、质感、擅长的题材与风格。你可以把它理解成一位“画师本人”，拥有完整的绘画功底和既定的画风。

Checkpoint 体积通常较大，常见在几个 GB 级别，具体取决于所属体系与精度。它必须属于某个基础体系，例如 SD 1.5 系列或 SDXL 系列。不同体系的模型之间不能混用，这一点在选择任何资源时都要先确认。

在 Civitai 上，Checkpoint 往往是在某个基础模型之上继续训练或融合得到的，作者会在模型页注明适用场景，例如更偏写实、插画还是设计用途，并给出推荐的采样器与步数。

LoRA：轻量的扩展

LoRA（Low-Rank Adaptation）是一种轻量的微调方式。LoRA 文件本身不是完整模型，而是一组“增量权重”，需要挂在某个 Checkpoint 上才能生效。继续用类比：Checkpoint 是画师，LoRA 就像给画师配的“风格笔刷”或“专项训练”，可以让画面带上某种风格、某类物体或某种构图特点。

LoRA 的优点是体积小，常见在几十到几百 MB，下载和切换都很方便；还可以通过权重来控制强度，比如把权重设为 0.6～1.0 之间做微调。缺点是它依赖基础模型，不同体系、不同底模下表现可能差别很大。

很多 LoRA 需要触发词。触发词写在提示词里，相当于告诉模型“请启用这个扩展”。触发词会写在模型页的相应位置，不要凭印象猜。

对比表

Embedding、VAE、ControlNet

Embedding（Textual Inversion）

Embedding 是一种把特定概念压缩成“词向量”的小文件，体积很小。使用时在提示词里写它的名字即可。有的 Embedding 用来引入某种概念，有的用作负面提示词，帮助避免常见的画面问题。

VAE

VAE 负责把模型内部的潜空间结果解码成可见的图片，会影响色彩饱和度和细节。很多 Checkpoint 已内置 VAE；如果出图发灰、色彩偏淡，可以按模型页建议另行选择 VAE。

ControlNet 等控制模型

ControlNet 一类的模型用来对构图、姿势、边缘或深度进行约束，让生成结果更可控。它需要额外的预处理步骤和相应的工具支持。

怎么搭配使用

1. 先选一个与需求匹配的 Checkpoint，作为画面的基础。
2. 确认它的基础体系（比如 SD 1.5 或 SDXL）。
3. 再挑选同一体系的 LoRA，一次先加一个，逐步调整权重。
4. 在提示词里加入作者给出的触发词，并参考推荐权重。
5. 如需更多控制，再引入 Embedding 或 ControlNet。

在 WebUI 里，LoRA 常以类似 <lora:名称:0.8> 的写法加入提示词；在 ComfyUI 里则通过“加载 LoRA”节点接入，并分别设置模型与文本编码器的强度。实际操作步骤见《Civitai 搭配 ComfyUI 与 WebUI 使用教程》。如果你想免装环境直接试，也可以使用平台的在线生成，见《Civitai 在线生成教程》。

选择建议

• 只想快速出图：选一个口碑稳定、示例图与你需求接近的 Checkpoint，先不加 LoRA。
• 想要特定风格或元素：在 Checkpoint 基础上加对应的 LoRA。
• 显存或磁盘有限：优先选择体积较小的版本，少量 Checkpoint 加若干 LoRA 的组合更节省空间。
• 用于商业或公开发布：先查看每个模型的许可证，参见《Civitai 模型许可证与合规使用须知》。

常见误区

• 体系不匹配：用 SDXL 的 LoRA 去配 SD 1.5 的 Checkpoint，轻则效果怪异，重则无法加载。
• 权重过高：把 LoRA 权重拉得太高，容易出现过拟合、画面崩坏，应从较低值逐步上调。
• 叠加太多 LoRA：多个 LoRA 互相拉扯，反而难以出现预期效果。
• 忽略触发词和推荐设置：作者给出的设置通常是测试过的，先照做再微调。
• 只看示例图：示例图常经过多次筛选，自己的结果可能不同，要有心理预期。

理解了这两类核心模型，再回到《Civitai 模型下载指南》就能更有目标地找资源。