企业官网建设流程全解析

「余晖烁烁/mlp」Can I get a kiss，sunset？这组标签最近在 AI 绘画社区里被反复提及。如果你关注过 My Little Pony（小马宝莉）同人创作，大概率见过这几张构图接近、角色表情带点互动感的图片：背景是暮色下的校园，角色是拥有火焰渐变鬃毛的独角兽，提示词里经常带一句 “Can I get a kiss, sunset?”。

这句话既不是官方台词，也不是某个固定模型自带的文本，而是一类提示词用法：用一句带角色互动暗示的句子，让 Stable Diffusion 模型在生成小马宝莉同人图时，同时控制角色、氛围和画面叙事。换句话说，这不是一个“软件项目”，而是一个围绕 Pony 系模型、LoRA 角色固定、提示词控制展开的 AI 同人绘图玩法。

这篇文章会把这类玩法拆开讲清楚：用什么模型出图、在哪个界面跑、显存要求大概在哪一档、提示词怎么写才稳定、能不能批量生成、能不能用 API 接进自己的工作流，以及最容易翻车的几个坑。如果你之前只是在线网站随机生成，没在本地部署过，这篇文章可以直接当入门手册看。

1. 核心能力速览

先给一张速览表，方便你判断这套玩法值不值得折腾。

需要提前说明一点：Pony 系模型和小马宝莉角色 LoRA 的版本很多，不同作者发布的底模和角色权重在画风、稳定性、显存占用上差异大。所以文章里涉及版本、参数的地方，我都尽量写通用方法，具体数值以你下载的模型为准。

2. 适用场景与使用边界

先说适合做什么。

最直接的应用是同人图生成。你不需要具备手绘能力，只需要一个写好的提示词、一个能跑 Pony 模型的 WebUI，就能在几分钟内得到一批角色构图草稿。对于写 MLP 同人小说、做语 C 角标、做粉丝视频封面的人来说，这个流程可以替代大部分找图、约稿前的草稿沟通。

其次是角色一致性测试。Sunset Shimmer 的外貌特征比较固定：金色带红色挑染的鬃毛、琥珀色眼睛、独角兽身份、常见于坎特拉高中的便服装扮。通过角色 LoRA 固定这些特征后，你可以批量生成同一个角色在不同场景、不同发型、不同表情下的图片，用于“角色设定集”或“多图连贯性”测试。

第三是构图探索。像 “Can I get a kiss, sunset?” 这种带互动语境的提示词，真正的作用是让模型朝“角色互动、靠近、亲密氛围”的方向去理解构图。相比只写 “Sunset Shimmer, solo, school yard, twilight”，加一句带动作暗示的短句，更容易出现一人一马靠近、表情交流、背景黄昏等画面元素。

需要避开的情况也很明确。

如果你要生成的角色明显涉及某个创作者的独家设定、未公开角色设定、或者直接使用官方动画截图做训练素材，需要注意合规风险。同人创作本身是灰色地带，但用于商业宣传、印刷售卖、付费订阅内容时，要考虑原角色版权和 LoRA 训练素材的授权问题。

另外，这类模型生成的角色本质上是“二创”，不要用同一套参数去生成现实人物脸，也不要生成任何可能被误认为真实未成年角色的内容。本地部署只是技术上可行，不等于使用上无边界。

3. 环境准备与前置条件

在开始之前，建议先按下面的清单检查一遍机器。

• 操作系统：Windows 10/11 或 Linux（Ubuntu 20.04/22.04 较常见）。
• GPU：NVIDIA 显卡优先，6GB 显存可以跑小分辨率测试；8GB 显存体验更好；12GB 以上可以比较宽松地跑 1024×1024 级别的图。AMD 显卡和老显卡也能跑，但踩坑概率高，不建议第一次就挑战。
• 驱动：NVIDIA 驱动建议较新版本，CUDA 版本不必追求最新，关键是 PyTorch 版本和驱动能匹配。
• Python：如果用 WebUI 整合包，很多时候自带 Python 环境，不需要手动装；如果是手动 clone 仓库，建议 Python 3.10 或 3.11。
• 磁盘空间：模型文件占大头。Pony 底模文件通常 4GB 到 7GB，LoRA 文件通常 50MB 到 300MB，还要预留 PyTorch 缓存和输出目录。
• 内存：16GB 内存起步，32GB 更宽裕，尤其是加载大模型再跑批量任务时。
• 网络环境：需要能访问 Hugging Face、Civitai 或国内镜像源下载模型。遇到下载慢的情况，优先考虑国内镜像或代理下载后手动放置到 models 目录。

硬件确认无误后，再考虑部署方式。

如果你只是为了出图，不想处理代码问题，用整合包最省事。网上常见的 WebUI 整合包会把 Python、依赖、启动脚本、常用模型目录都整理好，解压后运行脚本就能启动。缺点是版本可能滞后，换模型时要自己搞清楚目录结构。

如果你想长期折腾、换模型方便、或者要接 API，建议手动部署 WebUI 或 ComfyUI。虽然安装依赖时会遇到一堆 Red Error，但一旦跑通，后续调整空间大得多。

4. 安装部署与启动方式

4.1 方案一：Stable Diffusion WebUI 手动部署

WebUI 是目前社区资料最多、最不容易卡死的方案。如果机器是 NVIDIA 显卡，按下面步骤走。

先确认显卡驱动能识别：

nvidia-smi

看到显卡型号和驱动版本就说明驱动没问题。接下来确认 Python 版本：

python --version

手动部署时，克隆官方仓库，建立虚拟环境，再安装对应依赖。核心命令模板如下：

# 克隆 stable-diffusion-webui 仓库，具体地址以官方仓库为准 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git cd stable-diffusion-webui # 创建并激活虚拟环境（Windows 用 venv 或直接使用整合包自带环境） python -m venv venv # Windows 下激活：venv\Scripts\activate # Linux 下激活：source venv/bin/activate # 安装 PyTorch，先按自己机器的 CUDA 版本到 PyTorch 官网选择安装命令 # 例如 CUDA 12.x 的安装方式： pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

安装完 PyTorch 后，再安装 WebUI 的依赖并启动：

# 安装 requirements pip install -r requirements.txt # Windows 启动脚本 webui.bat # Linux 启动脚本 ./webui.sh

启动完成后，终端会输出一个本地地址，默认是http://127.0.0.1:7860，用浏览器打开。

4.2 方案二：ComfyUI 工作流加载

ComfyUI 适合喜欢节点式工作流、或者想要更精细控制提示词和采样的用户。安装方式类似：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt python main.py

ComfyUI 启动后默认端口是 8188，浏览器访问http://127.0.0.1:8188即可。后续可以用别人做好的 Pony 工作流 JSON 文件直接拖入加载，把模型和 LoRA 路径改成自己的。

4.3 模型文件放哪里

Pony 底模型放到models/Stable-diffusion/目录。以 WebUI 为例：

stable-diffusion-webui/models/Stable-diffusion/ stable-diffusion-webui/models/Lora/

ComfyUI 的目录类似：

ComfyUI/models/checkpoints/ ComfyUI/models/loras/

如果模型文件是.safetensors格式，直接放进去。下载模型时，建议不要把大文件下载到系统盘，几百 GB 的模型堆积会拖慢系统。

4.4 启动后先做什么

打开 WebUI 页面后，先确认左上角模型下拉框能选到 Pony 模型，再确认设置里的显存优化选项，比如 “Optimized cross attention”、“Pad prompt tokens” 这类优化项根据需要开启。不要一上来就点 Generate，先做一次 512×512 的小图测试，确认出图正常，再往高分辨率试。

5. 功能测试与效果验证

下面用一组实际出图测试来演示整个验证流程。先说明一点：不同版本模型对提示词的响应差异比较大，同一个标签在不同模型下效果可能完全不同，所以下面的步骤更重要的是帮你找到判断标准，而不是追求一次成功。

5.1 基础文生图测试

测试目的：确认模型加载正常、提示词能生效、基础构图可用。

操作步骤：

• 在 WebUI 的 txt2img 页签输入提示词。
• 设置分辨率 512×768 或 768×512。
• 采样步数 20 到 30。
• 点击 Generate。

提示词示例：

sunset shimmer, mlp, pony, solo, twilight school yard, warm sunset lighting, asking for a kiss, close-up, soft shading, highly detailed

这里是把标题里的那句互动文本，“翻译”成 Stable Diffusion 更容易理解的画面标签。如果你用 Pony 系模型，很多情况下它也支持直接写自然语言，比如：

Can I get a kiss, sunset? Sunset Shimmer, worried but warm expression, golden mane, amber eyes, school hallway, afternoon light

建议两种都试，看哪种更贴合你下载的模型。

预期结果：生成一张包含独角兽角色、黄昏暖色调、表情偏向互动的图。如果角色脸部崩坏、鬃毛颜色不对、或者背景完全是乱的，先降低分辨率，减少采样步数到 20，再加负面提示词。

负面提示词可以这样写：

bad anatomy, bad hands, missing fingers, extra limbs, fused ears, low quality, jpeg artifacts, watermark, text, signature, blurry, out of frame

判断是否成功：角色能看出是 Sunset Shimmer，画面没有明显结构错误，背景色和环境光与 “黄昏” 关键词一致。

5.2 角色 LoRA 加载测试

测试目的：确认 LoRA 文件是否被正确识别，角色特征是否稳定。

操作步骤：

• 点击 Show extra networks，找到 Lora 选项卡。
• 点击你放置的 Sunset Shimmer LoRA，系统会把类似<lora:SunsetShimmer_v1:0.8>的文本自动填入提示词。
• 调整权重，一般从 0.6 到 0.9 之间测试，太高容易过拟合，太低角色特征不明显。
• 保持其他参数不变，重复出图。

预期结果：生成的角色鬃毛颜色、眼睛颜色、面部结构保持稳定，LoRA 权重越高，角色越像；但权重过高时可能出现颜色溢出或边缘纹理异常。

判断是否成功：连续生成 4 张图，至少 3 张能看出是同一个角色，而不是偶发性接近。

5.3 提示词改写效果对比

测试目的：验证 “Can I get a kiss, sunset?” 这类互动语句是否能给画面带来额外信息。

• 第一组提示词只写角色特征和场景。
• 第二组提示词在结尾加上这句互动短句。

对比两组图的构图。如果第二组出现更明显的靠近、脸颊接触、氛围变化，说明这种带场景叙事的提示词对你当前模型有效；如果两组几乎没有区别，说明模型对文本含义的解析有限，需要换成更结构化的标签式提示词。

这种对比测试非常值得做，因为不同底模对自然语言的理解能力差别很大。Pony 系模型普遍能理解画风词和角色词，但互动类文本不一定每次都生效。

5.4 分辨率与中段修正测试

从 512×768 提升到 768×1152，甚至 1024×1536。如果你直接生成高分辨率图，很容易出现崩手、崩脸、重复纹理。更稳妥的方法是先生成 512 到 768 分辨率的小图，再使用 “Extra” 或 “Hires. fix” 放大。

Hires. fix 开启 Upscaler: R-ESRGAN 4x+ Anime6B 或按本机可用模型选择 Denoising strength: 0.4 到 0.6

高分辨率测试时要注意显存占用。打开任务管理器或nvidia-smi，观察显存是否接近上限。如果爆显存，降低分辨率或减小 batch size。

5.5 图生图测试

图生图的一个典型用法是改变角色服装或背景。把一张已生成的图拖入 img2img，把提示词改成 “sports outfit, outdoor track field”，再把 Denoising strength 控制到 0.5 到 0.7，可以看到角色保持脸部特征的情况下，场景和服装发生迁移。

这个测试的价值在于：如果你要做一套角色设定图，不需要每次从零生成，而是基于一张满意的脸部参考图反复调整，效率和一致性会高很多。

6. 接口 API 与批量任务

如果你不只是想手动点 Generate，而是要批量出图、或者把出图接进自己的工具，WebUI 自带的 API 是最快的方式。

启动 WebUI 时加上--api参数：

# Windows 命令示例 webui.bat --api # Linux 命令示例 ./webui.sh --api

启动后，默认地址http://127.0.0.1:7860下就可以访问接口文档，常见路径是/docs。核心接口是/sdapi/v1/txt2img。

下面给一个 Python 调用示例，具体参数需要按你实际的接口和模型调整：

import requests import base64 import os import time url = "http://127.0.0.1:7860/sdapi/v1/txt2img" prompt = ( "sunset shimmer, mlp, pony, solo, twilight school yard, " "warm sunset lighting, asking for a kiss, close-up, " "<lora:SunsetShimmer_v1:0.8>" ) payload = { "prompt": prompt, "negative_prompt": "bad anatomy, bad hands, extra limbs, low quality, watermark", "steps": 25, "width": 768, "height": 768, "batch_size": 1, "n_iter": 1, "sampler_name": "DPM++ 2M Karras", "cfg_scale": 7, } response = requests.post(url, json=payload, timeout=120) if response.status_code == 200: data = response.json() os.makedirs("./outputs", exist_ok=True) for idx, img_b64 in enumerate(data.get("images", [])): img_bytes = base64.b64decode(img_b64) filepath = f"./outputs/sunset_{int(time.time())}_{idx}.png" with open(filepath, "wb") as f: f.write(img_bytes) print("saved:", filepath) else: print("error:", response.status_code, response.text)

批量任务最简单的方式是循环调用接口，把不同提示词写进一个列表：

prompts = [ "sunset shimmer, mlp, pony, school entrance, morning light, waving", "sunset shimmer, mlp, pony, library, candle light, reading", "sunset shimmer, mlp, pony, rainy street, umbrella, walking away", ] for idx, prompt in enumerate(prompts): payload["prompt"] = prompt resp = requests.post(url, json=payload, timeout=120) if resp.status_code == 200: img_data = resp.json()["images"][0] img_bytes = base64.b64decode(img_data) with open(f"./outputs/batch_{idx}.png", "wb") as f: f.write(img_bytes) print(f"batch {idx} done") else: print(f"batch {idx} failed", resp.status_code)

批量任务建议加time.sleep(0.5)或更长的间隔，避免接口连续请求带来的压力，尤其是显卡本来就吃紧的情况。把batch_size调成 4、n_iter调成 1 和batch_size调成 1、n_iter调成 4，显存占用和任务耗时完全不一样。显存小的情况下，建议小 batch 多轮次，出图结果都保存下来，再从里面挑图。

ComfyUI 也可以走 API，但请求结构和 WebUI 差别较大，需要在 ComfyUI 里使用 “Save (API format)” 导出工作流后，用/prompt接口提交。如果你第一次接入 API，建议先用 WebUI，资料多、踩坑少。

7. 资源占用与性能观察

跑 Pony 系模型时，资源占用主要看三块：显存、内存、磁盘读写。

显存是最容易出问题的点。6GB 显卡跑 512×512 通常问题不大，跑 768×768 就比较吃紧；加载 Pony 底模 + LoRA 后，再启用 Hires. fix，显存占用会显著上升。实际操作时，可以打开 Windows 任务管理器里的 “GPU 显存” 一栏，或者用命令行实时观察：

nvidia-smi -l 2

这个命令每 2 秒刷新一次，可以看到进程占用的显存大小、利用率、温度。如果显存占用长时间在 95% 以上，大概率离报错不远，可以从下面几个方向优化：

• 降低分辨率，先出 512，再用图生图或 Hires. fix 放大。
• 减小 batch size，一次只出一张。
• 关闭 WebUI 里不必要的预览插件，部分插件会把中间步骤保存到显存。
• 使用 xformers 或类似的显存优化选项，启动时加--xformers。
• 如果显卡只有 4GB，建议直接考虑在线平台或 ComfyUI 的轻量量化模型。

内存方面，Windows 上如果机器是 16GB，运行 WebUI 再同时开浏览器、编辑器，内存占用经常会到 80% 以上。尽量关掉多余应用再跑批量任务。

磁盘方面，如果你做批量生成，输出目录会膨胀得很快。建议把输出目录单独放到空间充足的盘符，不要和系统盘混在一起。WebUI 的默认配置里可以在设置中修改输出目录，ComfyUI 则可以通过自定义输出节点路径来指定。

关于 CPU 推理，如果你的机器没有 NVIDIA 显卡，Pony 模型基本无法流畅运行。Stable Diffusion 支持 CPU 推理，但速度慢得多，一张 512×512 的图可能要几分钟到十几分钟，批量任务不现实。如果有集成显卡或者老显卡，性能通常也不理想，不如直接用在线服务。

8. 常见问题与排查方法

还有一个经常被忽略的问题：模型文件下载不完整。.safetensors文件如果没下载完，WebUI 在加载时会报错或者加载后生成全黑图。遇到这种情况，先检查文件大小是否和发布页标注一致。

9. 最佳实践与使用建议

第一，第一次测试不要直接开高分辨率。先 512×512、步数 20、batch size 1，跑通流程再逐步加压。如果你一上来就 1024×1536 加 Hires. fix，爆显存概率极高，而且出问题后很难判断是哪一步导致。

第二，把提示词模板化。不同模型对提示词格式的接受度不同，你可以在测试时保存 2 到 3 套提示词模板：一套是纯标签式，一套是混合了自然语言的句子，一套是带 LoRA 和负面提示词的完整模板。后续换模型时，直接在模板上增删。

第三，目录管理要清晰。建议建立这样的结构：

./outputs/ prompts/ seed_test/ lora_test/ final/

不同测试目的的结果分开存放，否则几小时后你会发现茫茫多的图片文件，根本分不清哪张用的什么参数。WebUI 默认输出文件名里会带 seed、prompt 信息，也可以通过脚本在保存图片时把提示词写进文件名。

第四，用固定种子做对比测试。在txt2img界面固定 Seed，这样你改一个参数（比如 LoRA 权重）后，生成结果的可比性更高。否则每次出图都是随机采样，你根本判断不出是参数变化导致的差异，还是随机因素导致的差异。

第五，注意版权与授权。小马宝莉的角色版权属于孩之宝，Sunset Shimmer 是官方动画角色。个人同人创作通常没问题，但如果你要在视频平台做商业推广、制成周边售卖、或者投喂到商业化生成服务，需要格外谨慎。同理，你在 Civitai 下载 LoRA 时，要注意作者是否声明了禁止商用、禁止二次分发等条款。

第六，涉及脸部生成、声音、真实人物形象时，本地部署只是工具有效性，不等于使用合规。生成小马宝莉这类动画角色二创图相对风险低，但一旦把同一套流程迁移到现实人物生成，授权和隐私问题会立刻放大。原则上不要用其他人的照片、视频画面、私密素材做训练或推理。

10. 总结与下一步

“Can I get a kiss, sunset？” 本质上是一个提示词层面的测试入口。通过它，你可以快速检验自己的 Pony 模型、Sunset Shimmer LoRA、环境配置、出图流程是否正常。它不复杂，但刚好覆盖了 AI 同人绘图里最核心的几个环节：模型选择、LoRA 加载、提示词控制、批量测试和接口调用。

最值得先做的事只有一件：跑通本地 WebUI，把一张 Sunset Shimmer 的角色图生成出来。确认这一步没问题后，再往多提示词、批量任务、图生图方向延伸。最容易翻车的点，还是高分辨率下的显存和 LoRA 权重调整，建议把这两项作为第一轮测试的重点。

如果你想进一步扩展，下一步可以尝试把多张 Sunset 角色图接入动画短片生成流程，用图生视频模型生成短视频素材；也可以把这一套提示词模板接进自动化任务，每天定时生成一组角色参考图。不过在那之前，先把 512×512 的单张出图稳定性打磨好，远比追求花哨功能有用。