LoRA và Checkpoint khác nhau thế nào? Giải thích dễ hiểu cho người làm ảnh AI

✍️ Ngô Thuần (Copax)📅 29/10/2026👁 291⏱ 5 phút đọc
LoRA và Checkpoint khác nhau thế nào? Giải thích dễ hiểu cho người làm ảnh AI

Khi lướt Civitai hay Tensor.art, bạn sẽ gặp hai loại file phổ biến nhất: Checkpoint và LoRA. Người mới thường bối rối: tải cái nào, dùng thế nào, vì sao có file nặng vài GB còn file khác chỉ vài chục MB? Bài viết này giải thích ngắn gọn bản chất của hai loại model, cách chúng phối hợp với nhau và cách chọn đúng cho mục đích của bạn.

Checkpoint là gì?

Checkpoint (còn gọi là base model hoặc model nền) là một bộ trọng số đầy đủ của mô hình tạo ảnh – ví dụ Stable Diffusion 1.5, SDXL, Flux hoặc các bản tinh chỉnh từ chúng như Pony, Illustrious. Checkpoint chứa mọi thứ cần thiết để biến prompt thành ảnh: phần hiểu văn bản, phần khử nhiễu và phần giải mã ảnh.

Có thể ví checkpoint như "bộ não" và "đôi tay" của hoạ sĩ: nó quyết định phong cách tổng thể, khả năng vẽ người, phong cảnh, ánh sáng, mức độ chân thực hay hoạt hình.

Đặc điểm của checkpoint:

  • Dung lượng lớn: thường từ 2 GB (SD 1.5) đến 6–7 GB (SDXL) hoặc hơn với các model thế hệ mới.
  • Mỗi lần tạo ảnh chỉ dùng một checkpoint.
  • Train hoặc fine-tune checkpoint tốn nhiều dữ liệu, thời gian và tài nguyên GPU.

LoRA là gì?

LoRA (Low-Rank Adaptation) là kỹ thuật tinh chỉnh nhẹ: thay vì thay đổi toàn bộ model, LoRA chỉ học thêm một lượng nhỏ trọng số "gắn kèm" vào checkpoint. Khi tạo ảnh, LoRA được cộng vào model nền với một mức độ (weight) bạn chọn.

Nếu checkpoint là hoạ sĩ, thì LoRA giống một bài học chuyên đề bạn dạy thêm cho hoạ sĩ đó: vẽ đúng một nhân vật, một phong cách minh hoạ, một kiểu trang phục hay một sản phẩm cụ thể.

Đặc điểm của LoRA:

  • Dung lượng nhỏ: thường từ vài MB tới vài trăm MB.
  • Có thể dùng nhiều LoRA cùng lúc trên một checkpoint.
  • Train nhanh hơn, cần ít ảnh hơn (vài chục ảnh chất lượng tốt thường đã đủ cho nhân vật).
  • Phụ thuộc vào kiến trúc model nền: LoRA train cho SDXL sẽ không dùng được với SD 1.5 hay Flux.

Bảng so sánh nhanh

Tiêu chí Checkpoint LoRA
Vai trò Model nền, quyết định năng lực tổng thể Lớp bổ sung cho nhân vật, phong cách, chi tiết
Dung lượng Vài GB Vài MB – vài trăm MB
Số lượng mỗi lần tạo ảnh 1 Nhiều, kết hợp được
Chi phí train Cao Thấp hơn nhiều
Tính tương thích Độc lập Phải khớp kiến trúc với checkpoint

Checkpoint và LoRA phối hợp như thế nào?

Trong thực tế, quy trình phổ biến là: chọn một checkpoint tốt làm nền, sau đó thêm một hoặc vài LoRA để có đúng thứ mình cần. Ví dụ: một checkpoint chân thực + LoRA nhân vật ảo của bạn + LoRA ánh sáng điện ảnh.

Trong ComfyUI, bạn chèn node Load LoRA sau Load Checkpoint. Ở các giao diện khác, LoRA thường được gọi qua cú pháp trong prompt như <lora:ten_lora:0.8>.

Mẹo chỉnh weight của LoRA

  • Bắt đầu ở mức 0.6–0.8 rồi điều chỉnh theo kết quả.
  • Weight quá cao dễ gây "cháy" ảnh, biến dạng hoặc làm mất phong cách của checkpoint.
  • Khi dùng nhiều LoRA, hãy giảm weight từng cái để tránh chúng "giành nhau".
  • Nhiều LoRA cần trigger word – đọc mô tả của tác giả để biết từ khoá kích hoạt.

Khi nào nên dùng hoặc train LoRA?

Hãy chọn LoRA khi bạn muốn:

  • Giữ nhân vật nhất quán qua nhiều ảnh – đặc biệt hữu ích cho người làm nhân vật ảo (virtual influencer), truyện tranh hay nội dung mạng xã hội.
  • Tái hiện một phong cách vẽ riêng.
  • Đưa sản phẩm thật (giày, chai nước hoa, logo) vào ảnh quảng cáo AI.
  • Thử nghiệm nhanh với chi phí thấp.

Khi nào cần checkpoint riêng?

Fine-tune hoặc merge checkpoint phù hợp khi:

  • Bạn muốn thay đổi phong cách tổng thể và năng lực nền của model, không chỉ một khái niệm.
  • Bạn cần model phục vụ rất nhiều chủ đề khác nhau mà vẫn mang "chất" riêng.
  • Bạn có lượng dữ liệu lớn, được tuyển chọn kỹ, và đủ tài nguyên để train và kiểm thử.

Nhiều checkpoint nổi tiếng trên cộng đồng là kết quả của quá trình fine-tune kết hợp merge nhiều model, kèm hàng trăm lượt thử nghiệm để cân bằng chất lượng.

Những lỗi thường gặp

  1. Dùng LoRA sai kiến trúc: LoRA SDXL trên checkpoint SD 1.5 sẽ không có tác dụng hoặc gây lỗi.
  2. Quên trigger word: LoRA tải rồi nhưng ảnh không thay đổi.
  3. Weight quá cao: ảnh bệt màu, gương mặt méo, chi tiết lặp.
  4. Dữ liệu train kém: ảnh mờ, trùng lặp, caption sai khiến LoRA học cả lỗi.
  5. Overfit: LoRA chỉ tái tạo đúng ảnh train, khó đổi tư thế, trang phục hay bối cảnh.

Mẹo chuẩn bị dữ liệu khi train LoRA

  • Chọn ảnh sắc nét, đa dạng góc chụp, ánh sáng và biểu cảm.
  • Loại bỏ ảnh trùng lặp hoặc có watermark, chữ đè lên.
  • Viết caption mô tả đúng nội dung; những gì bạn không caption thường sẽ bị model gắn vào trigger word.
  • Lưu nhiều mốc (epoch) trong quá trình train và kiểm thử từng mốc với cùng seed, cùng prompt để chọn bản tốt nhất.

Kết luận

Tóm lại: checkpoint là nền móng, LoRA là phần mở rộng. Chọn checkpoint phù hợp với phong cách bạn hướng tới, rồi dùng LoRA để thêm nhân vật, phong cách hoặc sản phẩm cụ thể. Nếu bạn cần một LoRA hay checkpoint riêng cho nhân vật, thương hiệu hoặc sản phẩm của mình, có thể tham khảo dịch vụ train model & LoRA theo yêu cầu của SDG.

Ngô Thuần (Copax)

Train model AI tạo ảnh, dựng hạ tầng API và biến ý tưởng AI thành phần mềm chạy thật.

Xem giới thiệu →

Bài liên quan