Pony Diffusion V6 XL

定义

Pony Diffusion V6 XL是一个文本到图像的潜扩散模型检查点，其权重以SDXL为基础模型经过再训练得到，文件以safetensors格式分发^[3]。它接受自然语言描述与逗号分隔的标签两类输入，输出面向插画、卡通与兽人题材的静态图像。

该模型属于Pony Diffusion系列的第6代产品线，版本号中的XL指其基于Stable Diffusion XL而非早期的SD 1.5架构，因而原生支持1024像素级别的分辨率^[4]。

原理

模型沿用潜扩散的基本流程：在压缩后的潜空间中逐步去除高斯噪声，再由变分自编码器将潜表示解码为像素图像，文本条件通过CLIP文本编码器注入。与基座SDXL相比，V6 XL的主要差异在于训练数据的筛选方式与配套的提示词模板^[1]。

作者公开的训练说明称，模型在约260万张按个人审美偏好排序的图像上训练，动漫、卡通、兽人、小马四类数据大致各占四分之一，安全、存疑、露骨三档分级也大致按1比1比1分布。其中约一半图像配有高质量详细描述文本，训练时描述与标签并用，因此模型对自然语言与标签两种输入都具备理解能力。

提示词层面，V6 XL默认以score_9、score_8_up直至score_4_up的完整质量标签串开头，另可用source_pony、source_furry、source_cartoon、source_anime指定风格来源，用rating_safe等标签控制内容分级。作者说明完整的质量标签串源于训练阶段未能及时修正的设定，早期版本惯用的单个score_9仍可使用，但作用明显减弱。

加载时需将CLIP跳过层数设为2(部分软件写作-2)，否则输出质量明显下降；推荐使用Euler a采样器、25步与1024像素分辨率。

发展历程

Pony Diffusion系列最初由AstraliteHeart以SD 1.5为基座开发，早期版本在小马与兽人图像上微调，并以CreativeML OpenRAIL-M许可证发布。系列由V1迭代至V5.5，逐步积累角色识别与标签体系方面的经验^[5]。

V6 XL于2024年1月公开发布，主文件名为ponyDiffusionV6XL_v6StartWithThisOne.safetensors，在模型分享平台上的下载量超过100万次^[6]。发布后围绕该模型衍生出大量微调版本与LoRA，平台还为其单列了专门的分类入口^[4][1]。

后续版本V6 Turbo将Pony Diffusion与SDXL Turbo合并以缩短生成步数，V6的其他修订版本陆续推出^[7]。系列后继的V7改用AuraFlow架构，与V6的SDXL基座不再兼容，V6 XL仍作为成熟版本继续被使用^[8]。

应用

该模型主要用于插画、角色设定图与概念草图的生成，凭借对大量知名与冷门角色的识别能力，常被用于同人创作与角色还原。由于训练数据混合了多类画风，它也能在单一模型内切换动漫、卡通与兽人风格^[1]。

在工程侧，V6 XL可作为标准SDXL检查点载入主流前端工具，并可与SDXL生态中的LoRA、ControlNet等组件组合使用^[3]。围绕它形成的微调分支包括偏写实方向的CyberRealistic Pony、偏通用动漫方向的AutismMix等^[3]。

局限

许可证对使用范围设有额外限制：除Fair AI Public License 1.0-SD的原有条款外，禁止在允许任何形式变现的网站或应用上运行该模型推理，此限制同样适用于衍生模型与模型合并，商业推理需另行取得授权。

作者列出的已知问题包括：模型有时会生成难以通过负面提示词去除的伪签名；写实人像能力较弱，需依靠专门微调版本改善^[3]。内容上它偏向插画与2.5D风格，对真人摄影质感的支持有限^[4]。

作为SDXL微调模型，V6 XL与其他SDXL模型、SD 1.5模型之间不具权重兼容性，混用需借助合并或转换手段；其提示词体系也自成一套，通用的masterpiece一类质量词作用有限^[4]。由于V7更换架构，基于V6训练的LoRA无法直接迁移至后继版本^[9]。

参见

• Stable Diffusion XL —— 本模型所基于的基座扩散模型

• 扩散模型 —— 本模型所采用的一类生成模型框架

• LoRA —— 常用于对该模型行为进行低成本调整的微调技术

• ControlNet —— 可与该模型配合约束构图的控制组件

• 提示词工程 —— 与本模型score_标签体系直接相关的实践