<h2 id="koncepciya-concept">Концепция / Concept</h2><p>Это не просто стилевая LoRA. Это попытка научить модель <strong>помнить конкретные картины по имени и номеру.</strong></p><p>Каждое изображение в датасете получило уникальный индекс и название полотна прямо в кепшен-файле:</p><p>AivazovskyR1024, 001 In the roads Evening</p><p>AivazovskyR1024, 002 Seascape</p><p>AivazovskyR1024, 003 Crimean View</p><p>AivazovskyR1024, 004 Ninth Wave</p><p>AivazovskyR1024, 005 The seashore at night Near the lighthouse</p><p>AivazovskyR1024, 006 Moonlit Night on Capri</p><p>AivazovskyR1024, 007 Shipwreck</p><p>AivazovskyR1024, 008 The naval battle of Reval on May 2</p><p>AivazovskyR1024, 009 Morning at sea</p><p>AivazovskyR1024, 010 The sea before the storm</p><p>Идея: вставляешь триггер + номер + название  и модель тянется к конкретному полотну. Не просто «стиль Айвазовского»  а <strong>конкретная картина</strong>.</p><p></p><h2 id="chestno-o-rezultatah">Честно о результатах</h2><p><strong>Что уже работает отлично:</strong></p><ul><li><p>✅ Стиль Айвазовского  схвачен глубоко. Свет на воде, драматическое небо, пенные волны, тональность живописи  всё узнаваемо.</p></li><li><p>✅ Индексирование  наблюдается. Модель реагирует на номер и название, удерживает общую композицию оригинала.</p></li></ul><p><strong>Что ещё в процессе:</strong></p><ul><li><p>⚠️ Детали модель рисует свои  интерпретирует, а не копирует. На 100 шагах это норма.</p></li><li><p>⚠️ Точное воспроизведение конкретного полотна ожидается на 200+ шагах.</p></li></ul><p><strong>Это Part I.</strong> Публикую честно  чтобы сообщество видело прогресс в реальном времени. Part II с дообучением выйдет следующим.</p><p></p><h2 id="kak-ispolzovat">Как использовать</h2><h3 id="triggernoe-slovo:">Триггерное слово:</h3><pre><code>AivazovskyR1024</code></pre><h3 id="klyuchevye-slova-dlya-konkretnyh-poloten:">Ключевые слова для конкретных полотен:</h3><p>Добавляй в промпт номер и название из списка выше.</p><p>ХочешьДобавь в промптДевятый вал<code>004 Ninth Wave</code>Утро на море<code>009 Morning at sea</code>Кораблекрушение<code>007 Shipwreck</code>Лунная ночь на Капри<code>006 Moonlit Night on Capri</code>Морской пейзаж<code>002 Seascape</code></p><h3 id="primer-prompta-(ispolzovan-dlya-prevyu):">Пример промпта (использован для превью):</h3><pre><code>AivazovskyR1024, 009 Morning at sea. A professional studio close-up 
photo shoot of the painting. Dramatic lighting, black HDR background, 
sharp focus, high contrast, professional photo reproduction in a carved 
wooden frame with gilding.</code></pre><h3 id="rekomendovannye-parametry:">Рекомендованные параметры:</h3><pre><code>Model:    Flux2-dev
Weight:   0.8 – 1.0
Steps:    25 – 35
CFG:      3.5 – 4.5
Sampler:  Euler / DPM++ 2M</code></pre><hr /><h2 id="tehnicheskie-detali">Технические детали</h2><p>ПараметрЗначениеBase modelFlux2-devRank1024Alpha1024Training steps100Dataset10 paintings by AivazovskyTraining engineViking Engine (Orakul Studio)Trainable parameters 6,241,124,352</p><p></p><p>Обучено на <strong>6.24 миллиарда параметров</strong> на одной RTX 4090 благодаря <a target="_blank" rel="ugc" href="https://github.com/OrakulStudio/ai-toolkit-Ostris-bonememory">ai-toolkit-Ostris-bonememory </a> нашему переписанному движку памяти PyTorch. Стандартный ai-toolkit на этом ранге даёт OOM.</p><hr /><h2 id="pochemu-rank-1024">Почему rank 1024?</h2><p>Потому что высокий ранг = больше обучаемых параметров = глубже запоминание деталей конкретных полотен. Это эксперимент в котором LoRA перестаёт быть просто стилем и становится <strong>памятью о конкретных произведениях.</strong></p><p>На 100 шагах это уже видно. На 200  будет ещё чище.</p><hr /><h2 id="chto-dalshe">Что дальше</h2><ul><li><p><strong>Part II</strong>   200 шагов, проверка точного воспроизведения по индексу</p></li><li><p><strong>Part III</strong>   расширенный датасет (50+ полотен)</p></li><li><p>Возможно   другие художники по той же методике</p></li></ul><hr /><p><em>Написано в Чернигове. Под обстрелами. Система стабильна. 🦊</em></p><p><em>Orakul Studio · Chernihiv, Ukraine 🇺🇦 · 2026</em></p>

Files with SHA256: af4ba74b72b206283c105be3ceded67412fe19cc55803bd15da67ba063b5dde7