先理解：Leonardo AI与本地模型的关系
Leonardo AI 常被创作者视为成熟的 AI 绘画云平台，其核心优势在于网页端工作流、丰富的风格预设、智能提示词辅助以及较低的上手门槛。严格来说，它并不属于传统意义上“下载安装到电脑后即可离线运行”的单机软件。若希望在本地实现接近的创作体验，通常的解决方案是搭建基于 Stable Diffusion 的本地绘画环境，再自行下载匹配风格的基础模型、微调模型或 LoRA 文件，通过路径配置与参数调优来完成生成任务。
因此，本教程的核心思路并非将线上平台原封不动搬至本地，而是帮助用户构建一套可控的本地 AI 绘画流程：本地环境负责推理计算，模型文件决定风格与能力，前端界面则管理提示词、参数与图片输出。这样做的好处在于可离线管理素材、参数设置更透明、批量测试更便捷；不足之处在于需要一定的硬件基础，且需自行处理版本兼容与模型来源问题。
适用场景与硬件准备
本地模型更适合以下创作场景：需要长期批量出图、希望固定风格、对素材管理有较高要求、想训练或调用自定义 LoRA、以及希望减少网络依赖的创作者。若仅偶尔生成海报、头像或灵感图，使用在线 AI 绘画平台往往更为省心。
硬件方面，建议优先选用配备独立显卡的电脑。入门体验可从 6GB 显存起步，生成 512×512 或 768×768 尺寸的图片；8GB 到 12GB 显存会更为从容，适合使用 SD 1.5、部分 SDXL 模型及常用插件；16GB 以上显存则更适合高分辨率输出、批量生成与复杂工作流。内存建议 16GB 起步，硬盘建议预留 50GB 以上空间，因为基础模型单个文件可能达数 GB，后续还会积累 VAE、LoRA、ControlNet 模型及输出图片。
本地环境选择与安装思路
常见的本地前端包括 WebUI 类界面和节点式工作流界面。前者更适合初学者，页面参数直观，模型切换、提示词输入与批量生成均较为简单；后者则适合进阶用户，可将模型、采样器、放大、修复、图生图等环节拆解为节点，便于精细控制。初次安装建议选择资料丰富、更新稳定的版本，避免同时安装过多分支，以防路径与依赖出现混乱。
安装前应确认操作系统、显卡驱动、Python 版本及运行环境是否匹配。大多数本地绘画项目对 Python 版本有明确要求，版本过新或过旧都可能导致依赖安装失败。安装目录建议放置在英文路径下，例如 D 盘或 E 盘的 AI 目录，避免使用中文路径、空格及过长的层级结构。安装完成后，先用默认小模型测试能否成功出图，再进行大模型下载与插件扩展，这样排查问题会更为高效。
模型下载：文件类型与来源判断
本地模型主要包括基础大模型、VAE、LoRA、Embedding、ControlNet 等类型。基础大模型决定整体画风与生成能力，常见格式为 safetensors 或 ckpt，建议优先选用 safetensors 格式；VAE 影响色彩与细节表现；LoRA 用于叠加特定人物、服装、材质或画风特征；Embedding 常用于提示词风格补充；ControlNet 类模型则用于姿态、线稿、深度图等结构控制。
下载模型时需注意三点。第一，仔细查看模型说明，确认其适配 SD 1.5、SDXL 还是其他架构，不同架构不能随意混用。第二，优先选择来源清晰、用户反馈较多且附带示例参数的模型。第三，检查授权说明，商业项目尤其要确认是否允许商用、是否要求署名、是否限制再分发。切勿随意运行来历不明的脚本文件，模型文件也应尽量保留原始文件名与说明页链接，便于后期追溯。
路径设置：把模型放到正确目录
以常见 WebUI 类环境为例，基础大模型通常放入 models/Stable-diffusion 目录；VAE 放入 models/VAE 目录；LoRA 放入 models/Lora 目录；Embedding 放入 embeddings 目录；ControlNet 相关模型则放入 extensions 中对应插件的 models 目录，或前端指定的 ControlNet 模型目录。不同前端在命名上略有差异，但逻辑一致：基础模型、辅助模型、风格小模型与插件模型需分开存放。
放置完成后，重启前端或点击刷新模型列表。若模型未出现，先检查文件后缀是否正确，再确认目录层级是否多套了一层文件夹。例如，将模型放在 models/Stable-diffusion/某模型文件夹/模型.safetensors，部分前端可识别，另一些则无法识别。若使用外置硬盘或共享目录，可在启动参数中指定模型路径，但初学者不建议一开始就进行复杂映射，先跑通默认目录更为稳妥。
基础出图参数：先稳定，再追求效果
首次测试建议选择 512×512 或 768×768 分辨率，采样步数设置为 20 到 30，CFG 设置为 6 到 8，批量数量先设为 1。采样器可从常用的 DPM 系列或 Euler 类开始，不必频繁切换。种子值可固定，用于对比不同模型或提示词修改后的变化；想获得更多随机结果时再设为随机。
提示词方面，建议采用“主体、场景、风格、光线、镜头、质量描述”的顺序，负面提示词用于排除模糊、畸形、低清晰度、多余肢体等问题。不要一开始堆砌过长的提示词，模型难以准确响应所有描述，反而会降低可控性。若使用 LoRA，需在提示词中调用对应名称并控制权重，常见范围为 0.4 到 0.9，过高可能导致画面僵硬或细节异常。
性能优化：显存、速度与画质的平衡
性能优化的目标并非将所有参数拉满，而是在可接受的时间内稳定生成可用图片。显存较小的电脑应优先降低分辨率、减少批量数量、关闭不必要的插件，并使用半精度推理。若前端提供低显存模式，可开启，但生成速度可能有所下降。SDXL 模型对显存要求更高，低显存设备可先使用 SD 1.5 模型完成构图，再通过放大或局部修复提升细节。
分辨率是影响资源占用的关键参数。直接生成超大图容易出现显存不足或画面结构混乱的问题。更实用的流程是先用中等分辨率生成构图，再通过高清修复或后期放大处理。采样步数也并非越高越好，多数模型在 25 到 35 步已达到足够效果，继续增加只会延长生成时间，收益有限。CFG 过高可能导致画面过度生硬，过低则提示词约束不足，需结合模型说明进行调试。
硬盘性能也会影响使用体验。模型数量较多时，机械硬盘加载会明显变慢，建议将常用模型存放在固态硬盘中。输出目录需定期整理，避免数万张临时图拖慢管理界面。若经常切换模型，可保留少量常用基础模型，将不常用模型归档至单独目录，需要时再移回。
常见问题与排查方法
模型列表不显示：检查目录、后缀及文件是否下载完整，并刷新或重启前端。生成时报错显存不足：降低分辨率、批量数量及高清修复倍数，关闭占用资源的插件。图片发灰或颜色怪异：尝试切换 VAE，或查看模型说明是否要求特定 VAE。LoRA 无效果：确认 LoRA 架构是否匹配基础模型，调用名称是否正确，权重是否过低。
启动失败通常与依赖版本、Python 环境或显卡驱动有关。解决时不必盲目反复覆盖安装，应先查看报错最后几行，记录关键提示，再针对缺失依赖、版本冲突或路径问题进行处理。若环境已混乱，重新建立一个干净目录往往比修补旧环境更高效。插件更新也需谨慎，重要项目建议在可正常运行时备份配置文件和启动脚本。
安全边界与实用建议
本地 AI 绘画虽然自由度高，但也应遵守模型授权、素材来源及平台规范。不要下载来源不明的可执行文件，不要将私人素材随意用于公开分发的模型训练，不要生成可能引发法律风险或伤害他人的内容。企业或工作室使用时，应建立模型清单，记录版本、来源、授权及使用范围，避免后期交付时无法说明素材依据。
给初学者的建议是：先用一个稳定前端、两个基础模型、少量 LoRA 跑通完整流程；再逐步增加 ControlNet、局部修复、批量脚本等功能。每次只改一个变量，例如只换模型或只改采样器，便于判断效果差异。将满意图片的提示词、种子值、模型名和参数保存下来，才能形成可复用的个人工作流。掌握这些基础后，本地模型就不只是替代在线平台的工具，而会成为更可控、更适合长期创作的 AI 绘画生产环境。
