Как генерировать изображения локально через AI Server Manager
Раздел: Генерация изображений.
Для локальной генерации изображения нужны совместимая модель, полный комплект файлов и runtime, который умеет выполнять её pipeline. В AI Server Manager эти шаги разделены: сначала модель скачивают и запускают, затем задают параметры конкретного изображения. Готовность веб-сервера ещё не означает, что веса загружены.
Выберите совместимый комплект
В каталоге изображений найдите подходящую модель и проверьте, для какого движка и оборудования она предназначена. Для SDNQ используйте поддерживаемую SDNQ-сборку, а не произвольный файл с похожим названием. В состав могут входить трансформер, энкодеры, токенизаторы, VAE и конфигурация pipeline.
После скачивания откройте настройки запуска и выберите пресет для семейства GPU. Для наших модифицированных CMP 50HX речь идёт о 20 ГБ; эти параметры не следует переносить на штатную карту меньшего объёма. У CMP 170HX отдельно проверяйте реально доступную память и выбранный режим размещения.
Первый тест: меняйте как можно меньше
- Дождитесь подтверждённой готовности модели в карточке и консоли.
- Откройте раздел генерации изображений и выберите запущенную модель.
- Используйте готовый тестовый пресет, если он доступен для этой модели.
- Задайте простую сцену, например: «Керамическая чашка на деревянном столе у окна, мягкий дневной свет, предметная фотография».
- Начните с умеренного разрешения, одного изображения и рекомендованного числа шагов.
- Сохраните seed и настройки вместе с результатом.
Не всем моделям нужны одинаковые guidance, negative prompt и число шагов. Пресет другой архитектуры может дать плохой результат даже при успешном выполнении запроса.
Что влияет на качество и память
Промпт задаёт сцену, но не заменяет параметры pipeline. Разрешение влияет на число обрабатываемых данных, а партия из нескольких изображений увеличивает нагрузку. Число шагов обычно связано с количеством работы, однако большее значение не гарантирует улучшение для каждого типа модели.
Seed полезен для сравнения вариантов, но полная побитовая воспроизводимость между разными GPU, версиями библиотек и backend не гарантируется. Для понятного сравнения сохраняйте одинаковыми хотя бы модель, вход, размер, шаги и основные настройки.
Улучшитель промпта и attention — разные функции
Улучшитель переписывает текст запроса через настроенную LLM. Он не требуется для обычной генерации: при отключённой функции исходный промпт должен идти дальше без такого преобразования. Если используется внешний endpoint, текст может покидать локальный сервер.
Attention backend отвечает за вычисления внутри модели. Выбирать SDPA, специальную реализацию для Turing или иной вариант следует по совместимости с GPU и pipeline. Отсутствие метода xFormers у конкретного pipeline не исправляется одним изменением имени backend.
Если результат чёрный или генерация падает
Проверьте журнал на NaN, ошибки точности, загрузки компонентов и памяти. Чёрный результат не обязательно вызван промптом или attention: проблема может находиться в энкодере или декодировании VAE. Не исправляйте её случайным включением всех ускорений. Сначала повторите короткий тест с поддерживаемой базовой конфигурацией.
Скачивайте важный результат сразу и проверяйте, что каталог истории находится на постоянном хранилище. Подробные действия — в руководстве по изображениям; расход памяти разобран в статье о VRAM.
О материале
Материал подготовлен с помощью ИИ с проверкой по пользовательскому руководству панели и указанным справочным источникам. Параметры и доступные функции зависят от версии установленной сборки; приведённые примеры не являются результатами отдельного бенчмарка.