SDXL Node Merger: 노드 기반의 오픈소스 SDXL 모델 병합 도구 공개

실용적 조언

여러 개의 Save 노드를 활용하여 한 번의 실행으로 다양한 가중치 조합의 모델을 생성하고 비교해 보라.
VRAM 부족 오류가 발생할 경우 설정에서 Low VRAM 모드를 활성화하여 텐서 스트리밍 방식을 사용하라.

섹션별 상세

시각적 노드 에디터를 도입하여 복잡한 병합 워크플로우를 직관적으로 설계할 수 있다. 사용자는 베지에 곡선으로 노드를 연결하여 단순한 두 모델의 합산부터 다중 모델이 얽힌 복잡한 체인까지 자유롭게 구성 가능하다. 이는 텍스트 기반 설정보다 병합 구조를 파악하기 용이하며 실험적인 레시피 관리에 유리하다.

다중 배치 프로세싱 기능을 통해 실험 효율성을 극대화했다. 여러 개의 Save 노드를 배치하면 한 번의 실행으로 각기 다른 가중치 비율이 적용된 여러 모델을 동시에 생성하고 저장할 수 있다. 사용자가 각 병합 결과를 기다리며 수동으로 설정을 변경할 필요가 없어 최적의 비율을 찾는 반복 작업 시간이 단축된다.

저사양 하드웨어 사용자를 위한 Low VRAM 모드를 구현했다. 텐서를 하나씩 순차적으로 스트리밍하여 처리하는 방식을 채택함으로써 최소 4GB VRAM을 가진 GPU에서도 SDXL 모델 병합 작업을 수행할 수 있다. 이는 고사양 장비가 없는 개인 창작자들도 복잡한 모델 커스텀 작업에 참여할 수 있는 환경을 제공한다.

TIES, DARE, SLERP 등 최신 연구를 반영한 11가지 병합 알고리즘을 탑재했다. 모든 알고리즘은 MBW(Merge Block Weighted)를 지원하여 모델의 특정 블록별로 세밀한 가중치 제어가 가능하다. 최신 CUDA 12.x 및 PyTorch 환경을 기반으로 구축되어 RTX 50 시리즈와 같은 최신 하드웨어 가속 성능을 활용할 수 있다.

용어 해설

모델 병합(Model Merging): — 두 개 이상의 학습된 모델 가중치를 결합하여 각 모델의 장점을 가진 새로운 모델을 만드는 기법이다. 추가 학습 없이도 성능을 개선하거나 특정 스타일을 혼합할 수 있어 오픈소스 커뮤니티에서 활발히 사용된다.
TIES 병합(TIES Merging): — 모델 병합 시 발생하는 가중치 간의 간섭을 줄이기 위해 중복된 파라미터를 제거하고 부호를 일치시키는 알고리즘이다. 여러 모델을 병합할 때 성능 저하를 최소화하는 데 효과적이다.
블록별 가중치 병합(Merge Block Weighted): — 모델 전체에 동일한 가중치를 적용하는 대신, 신경망의 각 블록(층)마다 서로 다른 가중치를 부여하여 병합하는 방식이다. 특정 레이어의 특성만을 선택적으로 반영할 수 있어 정교한 튜닝이 가능하다.
저비디오램 모드(Low VRAM Mode): — 메모리 사용량을 최적화하여 사양이 낮은 GPU에서도 대규모 모델을 처리할 수 있게 하는 기술이다. 데이터를 한꺼번에 올리지 않고 순차적으로 처리하는 스트리밍 방식을 주로 사용한다.

언급된 도구

SDXL Node Merger추천

노드 기반 SDXL 모델 병합

PyTorch중립

딥러닝 프레임워크 기반