그 기간의 숫자
| 지표 | 값 |
|---|---|
| 기간 | 2026-01-09 ~ 2026-03-27 (약 11주) |
| 활성 세션 (Antigravity) | 20+ (07d2f5e9 / c3b7b66c / 2412cf47 / 21ededc6 / 2657bd88 / f387d696) |
| 생성된 캐릭터 이미지 | N등급 48 + R등급 64+ + SSR/UR 수십 + Live2D 마스터 4 = 150+ |
| 발견된 실패 유형 | 4가지 (Vertical Hallucination / Ghost Heads / Edge Smear / Alpha Shred) |
| 프롬프트 진화 | V1 → V9 (총 9 iteration) |
| 최종 표준 해상도 | 512×832 → 2x Hires Fix |
| 최대 단일 아티팩트 (walkthrough_v4) | 2.6 MB markdown |
데이터 출처: [LAPTOP_B] 게임 작업 로그 §2.1 (2026-05-15 owner 자체 정리).
어디서 무엇이 잘렸나
P 가 V1 을 돌렸을 때 결과는 단순했다 — 캐릭터의 발이 보이지 않았다. portrait crop. P 는 prompt 끝에 "(full body)" 를 추가했다.
V2 도 발이 잘렸다.
V3 에 "(extremely zoomed out:1.6)" 을 더했다. 발이 보였다. 그러나 머리 위에 또 다른 얼굴이 떠 있었다.
Ghost Heads — 빈 배경 공간에 SD 가 학습한 얼굴 분포 평균을 그려 넣는다.
V4 에 "(solid color background:1.4)" 를 추가했다. Ghost Heads 가 사라졌다. 대신 배경에 손이 5개 떠다녔다.
(wide shot, extremely zoomed out, full body visible from head to toe:1.6),
1girl, full body, standing, ..., (solid color background:1.4)
V5~V7 은 캐릭터 체형을 조정한 흔적이다. P 는 그 시기에 한 차례 "hyper-voluptuous" 라는 단어를 빼는 결정을 했고, 자연 볼륨을 회복하기까지 3 iteration 이 더 필요했다.
V8 에 Outpainting 을 시도했다. 발 잘림을 outpaint 로 복원하려 했고, 그 결과 Edge Smear 가 나왔다 — 하단 4px 가 스트레칭된 채로 색만 번지는 현상.
Edge Smear 의 해결 = Solid Padding + denoise 1.0. 그것을 알아낸 게 V8 의 진짜 산출물이었다.
V9 에서 P 는 결단을 내렸다. 세로 해상도 768px+ 자체가 SD1.5 의 hallucination trigger 라는 가설을 받아들이고, 512×832 로 내려갔다. 그리고 hires fix 2x 로 늘렸다.
V9 가 완성품이었다. 다시는 "발이 잘리는" 결과를 보지 않았다.
Visual hook: V1~V9 의 9 이미지 grid SVG + 4 failure 유형 illustration ([before_after] / [diagram])
시각적 실패가 만든 학습
| 실패 유형 | 원인 | P 가 알아낸 해결 |
|---|---|---|
| Vertical Hallucination | SD1.5 학습 데이터에 768px+ 세로 분포 적음 | 512×832 로 제한 + Hires Fix |
| Ghost Heads | 빈 배경 = 얼굴 분포 평균 | solid color background 강제 |
| Edge Smear | Outpaint 시 edge gradient | Solid Padding + denoise 1.0 |
| Alpha Shred | u2net 이 anime 도메인에 약함 | isnet-anime 사용 |
이 4가지를 P 는 어떤 책이나 가이드에서 배우지 않았다. 각 실패가 화면에서 직접 보였기 때문에 학습이 가능했다. evidence 카드 E002 — "실패는 버려진 로그가 아니라 다음 작업 조건으로 재사용되는 데이터" — 가 정확히 이 상황을 말한다.
보이지 않는 실패도 있었다
8주 동안 P 가 생성하고 버린 이미지는 적게 잡아도 1,500장이다. 그중 4개의 유형이 패턴으로 추출됐고, 나머지 1,496장은 그냥 "별로였다." 그 1,496장 안에 패턴이 더 있었을 수도 있다 — 그러나 P 가 그것을 찾을 시간은 없었다.
여기서 가장 큰 인사이트가 나왔다 — 시각적 실패는 패턴을 만들지만, 시각적 평범함은 패턴을 못 만든다. 그래서 SD1.5 의 진짜 한계는 "이상하게 나오는 1%" 가 아니라 "그저 그렇게 나오는 95%" 였다.
11K 라는 숫자에 들어간 다른 실패들
같은 기간 다른 프로젝트들에서 실패 evidence 가 누적됐다. 총합은 자동 감지 기준으로 11,147 건 (AX_AI_USAGE_SEMANTIC_ANALYSIS.json failure_count).
| 카테고리 | 건수 |
|---|---|
| error | 3,115 |
| timeout | 2,549 |
| failure (generic) | 2,378 |
| nonzero_exit | 1,949 |
| permission | 874 |
| exception | 227 |
| fatal | 55 |
Chart C003 hook 자리.
이 중 V1~V9 의 시각적 실패는 어디에도 안 들어갔다. 자동 감지가 미치지 못하는 실패가 가장 가르치는 실패라는 게 본인이 그 8주에 배운 또 하나의 비대칭이었다.
그 8주의 깨달음
- 보이는 실패는 학습 가능, 보이지 않는 실패는 잊혀진다. 11K 실패 evidence 는 자동 감지의 한계 안. 진짜 학습은 owner 가 화면을 본 1,500장에서 나왔다.
- 9 iteration 의 진짜 ROI 는 마지막 1개가 아니라 V1~V8 의 폐기물이다. 폐기물 안에 패턴이 있고, 패턴 안에 다음 프로젝트의 시작이 있다.
- 해상도는 가중치가 아니라 한계 신호다. 모델이 학습한 분포의 모서리에서 얻는 것보다 잃는 것이 더 크다.
다음 단계
V9 표준 프롬프트가 확정된 후, P 는 그것을 옆 프로젝트로 이식했다. 같은 prompt 와 같은 해상도가 다른 캐릭터 카테고리에서도 발이 잘리지 않게 했다. 그 이식이 끝났을 때 P 는 자기가 만든 게 캐릭터가 아니라 "발이 안 잘리게 만드는 운영 매뉴얼" 이라는 것을 알게 됐다.
운영 매뉴얼은 9 iteration 의 진짜 산출물이었다.
Editor's note: 시점 / 세션 ID / 아티팩트 수 / 실패 유형 4개 / V1~V9 진화는 ASUS worklog.md §2.1 직접 인용. 1,500 폐기 이미지 추정은 narrative 일반화 (정확 수치 미측정). [GAME_PROJECT_X] 는 codename — 회사명/IP 미노출.
