Checkpoints, Modelle & VAE – das Fundament jeder Bildgenerierung

Was ein Checkpoint ist, warum man fast nie das Basismodell selbst nutzt, was ein VAE damit zu tun hat – und warum das Dateiformat eine Sicherheitsfrage ist.

Bevor irgendein Prompt, Seed oder Sampler ins Spiel kommt, steht eine Entscheidung am Anfang: Welches Modell rechnet das Bild überhaupt? Das ist der Checkpoint – und er bestimmt mehr über den Look deiner Bilder als jeder andere Regler. Ein fotorealistisches Modell wird mit demselben Prompt etwas völlig anderes liefern als ein Anime-Modell.

Daneben taucht ständig ein zweites Kürzel auf: VAE. Klingt technisch, ist aber schnell erklärt – und wenn deine Bilder blass und matt aussehen, liegt es oft genau daran. Schauen wir uns beide an, dazu die Dateiformate, bei denen es einen handfesten Sicherheitsunterschied gibt.

Was ein Checkpoint ist

Ein Checkpoint ist ein komplettes Bildmodell – die gesamte „gelernte Erfahrung, aus der heraus Bilder entstehen, in einer einzigen Datei. Das ist der große Brocken: Solche Dateien sind mehrere Gigabyte groß, weil das gesamte Wissen des Modells darin steckt. Genau hier liegt der Unterschied zum LoRA, das nur ein winziger Aufsatz auf so einen Checkpoint ist ([→ Spoke: LoRA]). „Checkpoint“ und „Modell“ meinen im Alltag dasselbe; die Begriffe werden synonym benutzt.

Wichtig ist die Unterscheidung zwischen Basismodell und Ableger. Das Basismodell ist die rohe Grundlage – es kann grundsätzlich viel, aber nichts richtig Spezielles. In der Praxis nutzt kaum jemand das Basismodell direkt. Stattdessen greift man zu Ablegern: Das sind Versionen, die jemand auf ein bestimmtes Ziel weitertrainiert hat (ein Fine-Tune) – etwa auf Fotorealismus oder einen Zeichenstil. Es gibt auch Mischungen (Merges), bei denen zwei Modelle verschmolzen werden, um die Stärken zu kombinieren.

Skizze 1: Aus dem Basismodell entstehen spezialisierte Ableger – fotorealistisch, stilisiert oder als Mischung zweier Modelle.

Für dich heißt das praktisch: Die Wahl des Checkpoints ist deine wichtigste Grundsatzentscheidung. Willst du Fotos? Dann ein fotorealistisches Modell. Willst du Comic-Optik? Ein darauf trainiertes. Der Prompt feilt am Detail, aber die Grundrichtung gibt der Checkpoint vor – und ein LoRA muss zu genau der Modell-Familie passen, auf der es trainiert wurde.

Was ein VAE macht

Jetzt zum VAE. Die Abkürzung steht für „Variational Autoencoder“, aber den Namen kannst du gleich wieder vergessen – wichtig ist, was es tut. Ein Modell rechnet nämlich nicht direkt in Pixeln, sondern in einer kompakten internen Form, dem sogenannten Latentraum: einer platzsparenden Zahlendarstellung, mit der sich schneller rechnen lässt. Das VAE ist der Übersetzer, der diese internen Zahlen am Ende ins sichtbare Pixelbild zurückübersetzt.

Skizze 2: Das Modell rechnet intern in kompakten Zahlen. Das VAE übersetzt diese am Ende ins sichtbare Bild.

Das klingt nach reiner Technik, hat aber einen sichtbaren Effekt: Ein gutes, passendes VAE sorgt für kräftige Farben und klare Details. Fehlt das VAE oder passt es nicht zum Modell, wirken die Bilder oft blass, flau und wie mit einem Grauschleier überzogen – dieses typische „washed out“-Aussehen. Wer auf einmal lauter matte Bilder bekommt, sollte als Erstes das VAE prüfen.

Die gute Nachricht: In den allermeisten Fällen musst du dich gar nicht darum kümmern. Die meisten Checkpoints haben bereits ein passendes VAE fest eingebaut („baked-in“). Dann ist alles dabei, was du brauchst. Nur wenn ein Modell ausdrücklich ein bestimmtes externes VAE empfiehlt oder die Ergebnisse flau aussehen, lädst du eines extra dazu. Und auch dann gilt: Das VAE muss zur Modell-Familie passen – ein VAE für die eine Generation auf einem Modell der anderen gibt Murks.

Dateiformate: eine Sicherheitsfrage

Beim Herunterladen von Modellen stößt du auf zwei Dateiendungen, und der Unterschied ist mehr als Kosmetik. Das ältere Format .ckpt speichert das Modell auf eine Weise, die beim Laden theoretisch fremden Code mitausführen kann. Im Klartext: Eine präparierte .ckpt-Datei aus dubioser Quelle kann beim Öffnen Schadcode auf deinem Rechner starten – das ist kein theoretisches Schreckgespenst, sondern ist real vorgekommen.

Das neuere Format .safetensors wurde genau gegen dieses Problem entwickelt. Es enthält ausschließlich die nackten Zahlen des Modells und kann keinen Code ausführen – und obendrein lädt es meist schneller. Deshalb ist es heute der Standard.

Skizze 3: Das alte .ckpt kann beim Laden fremden Code ausführen. Das neuere .safetensors enthält nur Zahlen und ist sicher.

Die Faustregel ist denkbar einfach: Wenn es ein Modell als .safetensors gibt, nimm das. Eine .ckpt-Datei lädst du nur, wenn es keine Alternative gibt, und dann nur aus einer vertrauenswürdigen Quelle – seriöse Plattformen prüfen hochgeladene Dateien automatisch auf solche Risiken. Im Hobby ist das lästig, im geschäftlichen Umfeld ist es ein echtes Sicherheitsthema, das auf den Radar gehört.

Faustregeln für die Praxis

Kurz zur Lizenz

Wie bei LoRAs gilt auch für Checkpoints: Sie werden unter ganz unterschiedlichen Bedingungen veröffentlicht. Manche erlauben kommerzielle Nutzung uneingeschränkt, andere nur privat, wieder andere mit Auflagen. Wer Bilder geschäftlich verwendet, sollte vor dem Einsatz die Lizenz des konkreten Modells prüfen – das ist keine Rechtsberatung, sondern der Hinweis, an der richtigen Stelle nachzusehen. Welche Modelle was erlauben, ordnet der Modell-Überblick ein ([→ Spoke: Die 15 wichtigsten Modelle]).

Was Checkpoint und VAE nicht können

Ein VAE ist ein Feinschliff, kein Wundermittel. Es macht Farben und Details sauberer, aber es ändert nicht, was auf dem Bild zu sehen ist, und es repariert kein schwaches Modell. Wer ein flaues Bild hat, sollte erst das VAE prüfen – aber wenn das Motiv selbst nicht stimmt, liegt das am Modell oder am Prompt, nicht am VAE.

Und der Checkpoint legt den Rahmen fest, nicht das Einzelbild. Ein gutes Modell garantiert kein gutes Ergebnis, wenn Prompt, Seed und die übrigen Einstellungen nicht passen. Der Checkpoint ist das Fundament – darauf bauen alle anderen Spokes auf, von Prompt über Sampler bis LoRA ([→ Spoke: Prompt & Negativ-Prompt]).

Häufige Fragen zu Checkpoints und VAE

Was ist der Unterschied zwischen einem Checkpoint und einem LoRA?

Ein Checkpoint ist ein komplettes Modell (mehrere Gigabyte), das eigenständig Bilder erzeugt. Ein LoRA ist nur ein kleiner Aufsatz (oft wenige Megabyte), der ein Checkpoint-Modell ergänzt und ohne dieses nicht funktioniert ([→ Spoke: LoRA]).

Brauche ich ein VAE?

Meistens nicht extra – die allermeisten Checkpoints haben bereits ein passendes VAE eingebaut. Du lädst nur dann eines dazu, wenn ein Modell ausdrücklich eines empfiehlt oder deine Bilder blass und flau aussehen.

Warum sehen meine Bilder blass und matt aus?

Das klassische Zeichen für ein fehlendes oder unpassendes VAE. Prüfe, ob dein Modell ein VAE eingebaut hat oder ob du versehentlich keines bzw. ein falsches geladen hast. Mit passendem VAE werden Farben und Kontraste wieder kräftig.

Was ist der Unterschied zwischen .ckpt und .safetensors?

.ckpt ist das ältere Format und kann beim Laden theoretisch fremden Code ausführen – ein Sicherheitsrisiko bei Dateien aus unbekannter Quelle. .safetensors enthält nur die nackten Zahlen, kann keinen Code ausführen und lädt schneller. Im Zweifel immer .safetensors.

Was ist der Unterschied zwischen Basismodell und Fine-Tune?

Das Basismodell ist die rohe Grundlage – vielseitig, aber auf nichts spezialisiert. Ein Fine-Tune ist eine darauf weitertrainierte Version mit einem klaren Ziel, etwa Fotorealismus oder einem bestimmten Zeichenstil. Fürs Generieren nimmt man fast immer einen Fine-Tune.

Kann ich jedes VAE mit jedem Modell benutzen?

Nein. Ein VAE ist auf eine bestimmte Modell-Familie abgestimmt. Ein VAE der einen Generation auf einem Modell einer anderen Generation gibt verfälschte oder kaputte Ergebnisse. VAE und Modell müssen zusammenpassen.

Weiterlesen

Ein LoRA ist der kleine Aufsatz auf einem Checkpoint – mehr dazu unter [→ Spoke: LoRA]; was Prompt und Negativ-Prompt steuern, erklärt [→ Spoke: Prompt & Negativ-Prompt]. Welcher Modelltyp wie viele Schritte braucht, ordnet [→ Spoke: Steps] ein, und welche Modelle was dürfen, klärt [→ Spoke: Die 15 wichtigsten Modelle].

[→ zurück zum Hub: KI-Bildgenerierung verstehen]