Der Anfang: Warum ich mein eigenes T2I-Modell trainiere

Es gibt genug fertige Modelle. Stable Diffusion, FLUX, Kolors — alles da, alles nutzbar, vieles auch für Furry Art anpassbar. Trotzdem fange ich von null an.

Warum?

Weil ich verstehen will wie es funktioniert. Nicht auf dem Niveau von “ich hab den Blog-Post gelesen” — sondern auf dem Niveau von “ich hab den Fehler sechs Stunden debuggt und weiß jetzt was da passiert”.

Ein Fine-Tune lässt mir das nicht. Ein eigenes Modell schon.

Was Fluffy-Diffusion werden soll

Ein Text-to-Image-Modell das Furry Art wirklich versteht. Spezies, Fellmuster, Anatomie, Posen, Stilrichtungen — nicht als zufälligen Output aus einem Generalisten-Modell, sondern als Kernkompetenz.

Der Weg dahin: eigenes Dataset, eigene Captions, eigene Architektur-Entscheidungen, eigenes Training. Und irgendwann auch ein eigener Text Encoder.

Aktueller Stand

Checkpoint 85k läuft. Das Modell macht etwas — ob es das Richtige macht, wird sich zeigen. Dataset-Aufbau und Captioning laufen parallel.

Was hier im Blog passiert

Ich dokumentiere den Weg. Entscheidungen, Rückschläge, Erkenntnisse. Keine Erfolgsgeschichte von Anfang an — sondern eine ehrliche Aufzeichnung was es bedeutet, ein AI-Modell von null aufzubauen.

Nächster Post: Modellarchitektur — warum UNet, warum DiT, warum ich beides gemischt habe.