在二次元 AI 繪圖領域，模型架構的演進速度令人目不暇給。近期由 CircleStone Labs 與 Comfy Org 攜手合作推出的「Anima」模型，無疑是社群中最受矚目的焦點。作為一個擁有 20 億參數（2B）的中量級模型，Anima 並未依循傳統 Stable Diffusion 的舊路，而是選擇了基於 NVIDIA Cosmos 架構進行開發。這意味著它在生成邏輯與底層技術上展現出了全新的可能性。Anima 的定位非常明確：它不追求照片般的寫實感，而是全心全意地鑽研動漫、插畫與藝術風格。這對於長期深耕二次元領域的創作者來說，無疑提供了一個更純粹、更具表現力的創作工具。其訓練集包含了數百萬張高品質動漫圖像與數十萬張藝術畫作，確保了它在線條處理與色彩分布上，能更精準地捕捉日系畫風的精髓，而非像通用型模型那樣在寫實與二次元之間搖擺不定。
技術層面上，此次測試所使用的 Anima Preview 2 版本（發布於 2026 年 3 月 11 日）展現了顯著的進化。最令人驚豔的在於其文本編碼器的升級，使用了 Qwen-3 系列的大語言模型（LLM）作為基礎，這使得模型對提示詞的理解不再局限於破碎的標籤組合，而是能精確解讀複雜的語境與自然語言描述。相比於過往模型常遇到的「提示詞理解崩潰」，Anima 在 Preview 2 中透過重新調整超參數與技術細節，大幅提升了對微調（Fine-tuning）的相容性與角色知識的儲存量。即便是在中等解析度下進行訓練，它依然能展現出極強的角色辨識能力，甚至引入了正則化數據集來維護非動漫類型的美學知識，確保在發揮創意的同時，畫面結構依然穩健。
對於廣大的 SDXL 用戶來說，最關心的核心問題莫過於：「我辛苦研究出的提示詞還能用嗎？」經過實測，Anima 對於 SDXL 的提示詞展現出了驚人的相容性。它完美繼承了 Danbooru 風格的標籤體系，並可支援 score_9 這種美學評分標籤。這意味著用戶可以無痛接軌，將原本在 SDXL 上使用的角色描述與品質指令直接套用。然而，Anima 更強大的地方在於它的「寬容度」。得益於 LLM 適配器的加入，當用戶混合使用傳統標籤與自然語言長句時，模型能夠更細膩地處理光影與動作層次，甚至能更準確地處理多角色互動。這種「混合模式」的提示詞撰寫方法，不僅降低了新用戶的入門門檻，也為資深用戶打開了創作的新大門。
本次專題將深入測試 Anima 在處理熱門二次元角色時的表現，透過實際案例來驗證這個 2B 參數模型是否完美相容 SDXL 提示詞。要特別注意！此模型仍在訓練階段，因次不建議拿預覽版模型來訓練 LoRA 微調模型，但直接拿來生圖是沒問題的。
生成圖片參數
疊代步數：30 步
輸出尺寸：1280 x 960 px（4:3）［原始檔案］
使用工具：ComfyUI、Anima Preview 2
CFG Scale：4
採樣器：er_sde
▲「蔚藍檔案 Blue Archive」的「橘光」（橘 ヒカリ，Tachibana Hikari），生成此圖的提示詞來自萌芽二次元。
▲「蔚藍檔案 Blue Archive」的「橘希望」（橘 ノゾミ，Tachibana Nozomi），生成此圖的提示詞來自萌芽二次元。
幾乎是一次就生成成功，不太需要抽卡，手指、腳趾等 SDXL 疲弱不堪的部分，這個新模型表現都相當完美，這還只是直接拿我以前使用 SDXL 生成的提示詞直接生成的成果，如果進一步研究改善提示詞結構、加入自然語言敘述，應該能獲得更具創意力、驚艷感的成品。個人非常期待正式版模型的登場！
《上一篇》Z-Image Turbo：二次元 Q 版角色進入真實世界的虛實融合提示詞指南 
《下一篇》Anima：全新 2B 參數二次元模型，能否輕鬆生成雙人互動的圖片？ 
留言區 / Comments
萌芽論壇