Leonardo AI 本地模型运行教程：模型下载、路径设置与性能优化指南

先理解：Leonardo AI与本地模型的关系

Leonardo AI常被用户理解为一个成熟的AI绘画平台，优势在于网页端工作流、风格预设、提示词辅助和较低的上手门槛。严格来说，它并不是传统意义上的“下载安装到电脑后直接离线运行”的单机软件。想在本地实现接近的创作体验，通常做法是搭建Stable Diffusion类本地绘画环境，再下载相应风格的基础模型、微调模型或LoRA文件，通过路径配置和参数调优完成生成。

因此，本教程的核心思路不是把线上平台原样搬到电脑，而是帮助用户建立一套可控的本地AI绘画流程：本地环境负责推理，模型文件负责风格与能力，前端界面负责提示词、参数和图片管理。这样做的好处是可离线管理素材、参数更透明、批量测试更方便；不足是需要一定硬件基础，也要自行处理版本兼容和模型来源问题。

适用场景与硬件准备

本地模型更适合以下场景：需要长期批量出图、希望固定风格、对素材管理有要求、想训练或调用自定义LoRA、希望减少网络依赖的创作者。若只是偶尔生成海报、头像或灵感图，在线AI绘画平台往往更省心。

硬件方面，建议优先使用带独立显卡的电脑。入门体验可从6GB显存起步，生成512×512或768×768图片；8GB到12GB显存会更从容，适合使用SD 1.5、部分SDXL模型及常用插件；16GB以上显存更适合高分辨率、批量生成和复杂工作流。内存建议16GB起，硬盘建议预留50GB以上空间，因为基础模型单个文件可能达到数GB，后续还会积累VAE、LoRA、ControlNet模型和输出图片。

本地环境选择与安装思路

常见本地前端包括WebUI类界面和节点式工作流界面。前者适合初学者，页面参数直观，模型切换、提示词输入、批量生成都比较简单；后者适合进阶用户，能把模型、采样器、放大、修复、图生图等环节拆成节点，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，不要同时安装过多分支，以免路径和依赖混乱。

安装前应确认系统、显卡驱动、Python版本和运行环境是否匹配。多数本地绘画项目对Python版本有明确要求，过新或过旧都可能导致依赖安装失败。安装目录建议放在英文路径下，例如D盘或E盘的AI目录，避免中文路径、空格和过长层级。安装完成后先用默认小模型测试能否成功出图，再进行大模型下载和插件扩展，这样排错更容易。

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。基础大模型决定整体画风和生成能力，常见格式为safetensors或ckpt，优先选择safetensors格式；VAE影响色彩和细节表现；LoRA用于叠加某种人物、服装、材质或画风特征；Embedding常用于提示词风格补充；ControlNet类模型用于姿态、线稿、深度图等结构控制。

下载模型时要注意三点。第一，查看模型说明，确认适配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、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。不要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和说明页链接，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。不同前端命名略有差异，但逻辑一致：基础模型、辅助模型、风格小模型和插件模型分开存放。

放置完成后，重启前端或点击刷新模型列表。如果模型未出现，先检查文件后缀是否正确，再检查目录层级是否多套了一层文件夹。例如把模型放在models/Stable-diffusion/某模型文件夹/模型.safetensors，有些前端可以识别，有些则不能。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，但不建议初学者一开始就做复杂映射，先跑通默认目录更稳妥。

基础出图参数：先稳定，再追求效果

第一次测试建议选择512×512或768×768分辨率，采样步数设置20到30，CFG设置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。种子值可以固定，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提示词，模型无法准确响应所有描述，反而会降低可控性。若使用LoRA，需要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

性能优化的目标不是把参数全部拉满，而是在可接受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、关闭不必要插件，并使用半精度推理。若前端提供低显存模式，可以开启，但生成速度可能下降。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，再用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。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。采样步数也不是越高越好，很多模型在25到35步已经足够，继续增加只会延长时间，收益有限。CFG过高可能让画面过度生硬，过低则提示词约束不足，需要结合模型说明调试。

硬盘性能也会影响体验。模型数量多时，机械硬盘加载会明显变慢，建议把常用模型放在固态硬盘。输出目录要定期整理，避免几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，把不常用模型归档到单独目录，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、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、批量数量和高清修复倍数，关闭占资源插件。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。解决时不要盲目反复覆盖安装，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处理。若环境已经混乱，重新建立一个干净目录往往比修补旧环境更快。插件更新也要谨慎，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、素材来源和平台规范。不要下载来源不明的可执行文件，不要把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、授权和使用范围，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，方便判断效果差异。把满意图片的提示词、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。