# Moondo 웹툰 이미지 모델 조사보고서

2026년 10월 1일 업데이트. 목표는 **원하는 한국 웹툰 그림체로 장면을 만들고, 참조 이미지를 보며 필요한 부분을 고치는 자체 이미지 모델**이다. 생성과 편집은 함께 연구하되 따로 시험한다. 서버 정보는 직접 읽은 값과 아직 확인하지 못한 값을 구분했다. 학습이나 유료 이미지 생성은 실행하지 않았다. 밑줄이 있는 용어를 누르면 쉬운 뜻, 예시, 이 프로젝트와의 관계가 설명 창에 나온다.

## 1. 만들 수 있을까?

**가능성을 시험해 볼 만하다. 보유한 두 대의 96GB GPU도 작은 실험에 유용하다.** 다만 image2의 그림을 모으는 일만으로 image2의 모든 능력과 Z-Image-Turbo의 속도를 동시에 얻을 수 있는 것은 아니다.

추천 순서는 이렇다. 이미 그림을 그릴 줄 아는 공개 모델인 **Z-Image Base**에 한국 웹툰 그림체를 추가로 가르친다. 원하는 그림체와 장면이 나오는지 검사한다. 그다음 그림 그리는 과정을 더 적은 계산으로 따라 하는 빠른 모델을 훈련한다. 앞의 과정을 **추가 학습**, 뒤의 과정을 **증류**라고 부른다.

참조 편집까지 필요해졌으므로 **편집을 이미 배운 FLUX.2 Klein Base 4B와 LongCat-Image-Edit를 비교하는 경로**도 추가한다. 생성 전용 모델과 편집 모델을 처음부터 하나로 합칠 필요는 없다. 먼저 웹툰 자료로 작은 편집 모델을 만들고, 두 기능을 합칠 이득은 이후 평가한다. 최신 후보와 준비할 것은 12장에 정리했다.

책으로 비유하면 추가 학습은 새 그림 교재로 배우는 일이고, 증류는 선생님의 풀이 과정을 보고 더 짧은 풀이법을 익히는 일이다. image2의 완성 이미지는 교재로 쓸 가능성이 있지만, 공개 API는 내부 풀이 과정까지 제공하지 않는다. 교재 사용 권한도 별도로 확인해야 한다.

첫 결과물은 **Moondo Webtoon Base**, 속도 실험이 성공한 뒤의 결과물은 **Moondo Webtoon 8-Step**으로 구분한다. 8-Step은 그림을 만들 때 핵심 모델을 약 8번 계산한다는 목표다. 실제 생성 시간과 품질은 아직 측정하지 않았다.

## 2. Z-Image-Turbo는 어떻게 빨라졌나?

이미지 모델은 처음에는 잡음처럼 보이는 상태에서 출발해 조금씩 그림을 완성한다. 큰 모델을 여러 번 계산하면 오래 걸린다. Z-Image는 자료 정리, 기본 능력 학습, 좋은 예제로 추가 훈련, 적은 계산으로 만드는 훈련을 거쳤다. 원래 글→이미지 자료에서는 AI가 만든 이미지를 걸러냈다. 따라서 “image2 그림을 모은 것이 Z-Image의 원래 학습법”이라고 설명할 수 없다. [Z-Image 기술보고서](https://arxiv.org/html/2511.22699v1)

그림을 그리는 중심 부분에는 약 **61억 5천만 개의 조절 가능한 숫자**가 있다. 이 숫자를 파라미터라고 한다. 여기에 글을 읽는 모델과 그림을 압축·복원하는 장치도 붙는다. “6B 모델”이라는 이름만 보고 전체 메모리 사용량을 계산하면 작게 잡을 수 있다. [구조와 학습 과정](https://arxiv.org/html/2511.22699v1)

속도를 높이는 핵심 방법은 **Decoupled-DMD**다. 이름을 외울 필요는 없다. 느린 교사가 그림을 어느 방향으로 고칠지 알려 주고, 빠른 학생의 그림들이 교사 그림들과 비슷한 분포를 갖도록 훈련한다. 분포는 여러 장을 모았을 때 나타나는 전체 경향이다. 한 장을 똑같이 복사하는 것과는 다르다.

이 훈련에는 교사 내부의 예측값, 학생 모델, 학생 그림의 경향을 추정하는 보조 모델이 필요하다. PNG 파일만으로 이 재료들을 얻을 수 없다. 그래서 **image2를 직접 이 방법의 교사로 쓰기보다 내부를 열어 볼 수 있는 Moondo Base를 교사로 만드는 경로**가 현실적이다. [Decoupled-DMD 논문](https://arxiv.org/html/2511.22677v1)

**DMDR**는 “좋은 결과에 더 높은 점수를 주는 훈련”을 더하는 후속 방법이다. 예쁜 그림에만 점수를 주면 컵 세 개라는 지시를 무시할 수도 있다. 그림체·사물 개수·위치·행동을 함께 평가하는 점수 설계가 필요하므로 첫 실험에서는 뒤로 미룬다. [DMDR 논문](https://arxiv.org/html/2511.13649v3)

공식 Turbo 예제에서는 설정에 9단계를 적어도 큰 그림 모델의 실제 계산은 8번이 된다. 설정 숫자와 실제 계산 횟수는 다를 수 있다. 사용할 프로그램 버전에서 직접 세어야 한다. [공식 생성 예제](https://github.com/Tongyi-MAI/Z-Image)

## 3. 전에 만든 LoRA가 아쉬웠던 이유는 무엇일까?

LoRA는 큰 모델 전체 대신 작은 추가 부품을 훈련하는 방법이다. 메모리와 비용을 아낄 수 있다. 전체 추가 학습은 더 많은 부분을 바꾸지만 잘못된 자료까지 자동으로 고쳐 주지는 않는다. 이전 자료와 결과를 보지 않았으므로 원인은 아직 가설이다.

먼저 **요청문과 실제 그림 설명이 일치했는지** 확인해야 한다. “빨간 컵 세 개”를 요청했는데 파란 컵 두 개가 나왔다면, 그 그림에 “빨간 컵 세 개”라는 설명을 붙여 학습시키면 안 된다. 틀린 연결을 배우기 때문이다. 원래 요청과 실제 그림 설명을 따로 남기고, 틀린 그림은 제외하거나 설명을 고친다. 그림 설명을 캡션이라고 한다.

같은 얼굴·교복·교실만 반복되면 “이 그림체는 항상 교실을 그린다”로 배울 수도 있다. 여러 사람·옷·장소·행동을 같은 그림체로 보여 줘야 한다. 연습문제 답을 외워 새 문제를 못 푸는 과적합도 확인한다. 원본 모델의 언어·개수·위치 이해가 부족했거나, 학습 범위·양이 맞지 않았을 가능성도 따로 검사한다.

LoRA와 더 넓은 추가 학습을 **같은 자료와 같은 시험으로 비교**한다. 개선이 자료에서 왔는지 방법에서 왔는지 알기 위해서다. 이미 빠르게 훈련된 Turbo를 다시 학습할 때는 빠른 생성 능력을 지키는 방법도 고려해야 한다. [Base 안내](https://huggingface.co/Tongyi-MAI/Z-Image), [Turbo 추가 학습 안내](https://ostris.com/docs/ai-toolkit/models/zimage-turbo)

## 4. 그림체와 같은 캐릭터는 서로 다른 목표다

그림체 일관성은 여러 컷의 선·색·그림자 표현이 비슷한 것이다. 캐릭터 일관성은 장소와 표정이 달라져도 같은 사람으로 보이는 것이다. 그림체가 같아도 주인공 얼굴이 매번 바뀔 수 있다.

| 원하는 결과 | 시험 방법 | 남는 한계 |
| --- | --- | --- |
| 같은 그림체 | 여러 장면의 선·색·그림자를 비교 | 한 장면만 잘 나오면 부족하다 |
| 요청한 장면 | 사람 수·사물 수·색·위치·행동 검사 | 예뻐도 지시가 틀리면 실패다 |
| 배운 주인공 유지 | 처음 보는 장소·행동에서 같은 인물 검사 | 같은 옷만으로 인물을 구분하면 부족하다 |
| 새 참고 이미지의 인물 유지 | 이미지 입력을 갖춘 편집 모델을 활용하거나 별도로 개발 | 글만 받는 모델에 자동으로 생기지 않는다 |
| 정확한 한국어 대사 | 글자 검사와 사람 검수 | 처음에는 빈 컷에 대사를 나중에 얹는 방식도 비교한다 |

시드는 생성의 시작 난수를 고르는 번호다. 같은 번호가 같은 캐릭터를 보장하지 않는다. 새 인물의 참고 이미지를 계속 보여 주려면 이미지 조건 기능이 필요하다. Base·Turbo의 원래 글 입력 기능과 별도 항목으로 계획한다. [Z-Image 기능 안내](https://github.com/Tongyi-MAI/Z-Image)

## 5. Tailscale 서버를 직접 확인한 결과

Tailscale은 서로 다른 장소의 컴퓨터를 사설 네트워크로 연결하는 도구다. 목록에 보인다고 서버 로그인이나 GPU 사용 권한까지 자동으로 생기지는 않는다. 이번에는 **다른 기기 23개 전체**를 확인했다. 컴퓨터는 16대이며 그중 11대가 온라인이었다. 나머지 7개는 휴대전화·태블릿이다. 이 Mac은 별도 관리·자료 준비 장비다.

온라인 컴퓨터 모두에 연결 가능 여부를 확인했다. 두 Linux 서버와 한 Windows PC에서는 하드웨어를 읽었다. 다른 온라인 컴퓨터는 현재 SSH 로그인 권한이 없거나 SSH 서비스가 꺼져 있어 GPU를 읽지 못했다. 접속 실패를 “GPU 없음”으로 기록하지 않았다. 내부 주소와 로그인 정보는 공개하지 않는다.

| 서버 | 확인한 GPU | 조회 당시 상태 | 권장 역할 |
| --- | --- | --- | --- |
| min-work | RTX PRO 6000 Blackwell Max-Q, 제품 사양 96GB | 약 52.6GiB 사용, 약 43.0GiB 남음 | 시간을 확보한 뒤 큰 추가 학습 후보 |
| inyoung-work | 같은 모델, 제품 사양 96GB | 약 64.6GiB 사용, 약 31.0GiB 남음 | 비교 학습·검증, 이후 속도 훈련 후보 |
| glitterous-pc | AMD Radeon 내장 그래픽 | 이번 조회에서 NVIDIA GPU는 확인되지 않음 | NVIDIA 학습 서버로 계산하지 않음 |
| RTX 4090 장비 | 사용자 보유 정보, 위치·실측은 미확인 | 접속 대상 확인 필요 | 작은 학습·완성 모델 속도 검사 후보 |

GPU 메모리는 모델과 작업 자료를 펼쳐 놓는 전용 공간이다. 저장용 디스크와 다르며 VRAM이라고도 부른다. GiB는 메모리를 세는 단위이며 제품 설명의 GB와 표시 방식이 조금 다르다. 두 6000 서버의 실제 표시값은 각각 **97,887MiB, 약 95.6GiB**였다. 각 서버에 한 장씩 있다. 모델 이름과 96GB·300W 사양은 NVIDIA 공식 자료와도 맞는다. [NVIDIA 제품 사양](https://www.nvidia.com/en-us/products/workstations/professional-desktop-gpus/rtx-pro-6000-max-q/)

조회 순간 GPU 계산 사용률은 모두 0%였지만 메모리는 많이 차 있었다. 쉬고 있는 서비스도 모델을 메모리에 남길 수 있다. 0%를 “아무도 안 쓴다”로 해석하면 안 된다. 일반 메모리는 두 서버 각각 약 64GB이며, 새 작업에 사용할 수 있는 양은 당시 약 9.2GB와 7.6GB였다. 루트 디스크 여유는 약 491GB와 217GB였다. 실행 직전에 다시 확인한다.

| 전체 연결 목록 | 확인 결과 |
| --- | --- |
| min-work · inyoung-work · glitterous-pc | 온라인, 하드웨어 조회 완료 |
| moondo-1 · moondo-2 · inyoung-ubuntu · moondoor-dev1 · webtoon-processor | 온라인, 현재 키로 SSH 로그인 거부 |
| apic-macmini · min-mac | 온라인, 현재 키로 SSH 로그인 거부 |
| macbook-air-4 | 온라인, SSH 연결 거부 |
| moondo-server · inyoung-notebook · interomai | 오프라인, 연결 인증 만료 |
| inyoung · haejo-web-1 | 오프라인 |
| 휴대전화·태블릿 7개 | 온라인 3개, 오프라인 4개. 학습 후보에서 제외 |

## 6. 이 장비로 어떤 학습부터 해야 하나?

**두 96GB 서버를 한 대씩 독립적으로 쓰는 실험부터 시작한다.** 한 서버에서 LoRA를, 다른 서버에서 더 넓은 추가 학습을 비교할 수 있다. Tailscale은 길을 연결하지만 두 GPU를 하나의 192GB 메모리로 만들지 않는다. 모델을 나눠 학습하려면 분산 학습 프로그램과 빠른 통신이 필요하다. 서버 간 실제 속도는 아직 재지 않았다.

96GB여도 전체 학습이 반드시 들어가지는 않는다. 중심 모델 숫자만 저장하면 약 12.3GB지만, 학습 중에는 바꿀 방향과 지난 수정 기록도 저장한다. 흔한 Adam 방식에서 전체 숫자를 바꾸는 경우, 모델·수정 기록 등의 상태만 약 98.4GB가 될 수 있다. 중간 계산과 글 읽기 모델은 여기에 추가된다. 이는 특정 설정의 예상 계산이지 측정값이 아니다.

메모리 절약 후보는 글 읽기·그림 압축 부분 고정, 계산 결과를 미리 저장하는 캐시, 작은 숫자 형식의 학습 기록, 일부 자료를 일반 메모리로 옮기는 오프로딩, 그림 모델 일부만 수정하기다. 일반 메모리 여유도 작으므로 오프로딩이 무제한 해결책은 아니다.

증류에는 교사·학생·보조 모델이 추가되어 더 많은 자원이 든다. 첫 추가 학습이 성공하기 전에 증류 용량이나 완료 시간을 확정하지 않는다. 4090은 접속·메모리 확인 뒤 설정을 정한다.

### 한 가지 그림체라면 몇 장부터 시작할까?

**검수를 통과한 500장으로 첫 실험을 하고, 좋아지면 1,000–3,000장으로 늘리는 것을 추천한다.** 이미 많은 그림을 배운 공개 모델에 한 그림체를 추가하는 계획이다. 처음부터 Z-Image의 모든 기본 능력을 새로 가르치는 계획과는 다르다.

Z-Image에서 이 그림체에 필요한 최소 장수를 보장하는 공식 숫자는 없다. 아래는 자료 준비를 위한 실험 제안이다. 500장에 도달하면 자동으로 요청 정확도와 캐릭터 유지가 해결된다는 뜻은 아니다.

| 검수 통과한 고유 그림 수 | 제안 용도 | 확인할 것 |
| --- | --- | --- |
|100–300장|가능성을 확인하는 작은 시험|그림체 변화가 생기는지 확인하되 다양한 장면의 안정성을 기대하기에는 이르다|
|300–500장|첫 학습 비교|자료 설명을 고치고 LoRA와 넓은 추가 학습의 차이를 본다|
|1,000–3,000장|한 그림체의 실용 후보를 만드는 목표|여러 인물·옷·배경·행동에서도 그림체와 지시가 유지되는지 본다|
|3,000–5,000장 이상|어려운 장면과 다양한 인물을 넓히는 단계|작은 자료에서 드러난 빈 부분에 맞춰 늘린다|

같은 그림체로 여러 장면을 보여 줘야 한다. 얼굴 확대만 500장 있으면 전신 행동이나 두 사람의 대화를 잘 배웠는지 알기 어렵다. 비슷한 컷을 조금 바꿔 만든 파일 여러 개를 별개의 풍부한 예제로 세지 않는다. 학습용 500장과 독립된 검증·시험용 자료도 따로 확보한다.

처음부터1만 장을 만들 필요는 없다.500장으로 성능이 좋아지는지 확인하고 오류가 많은 장면을 추가하는 편이 좋다. 좁은 그림체라도 컵의 개수나 손의 행동을 이해하는 능력은 기존 모델과 자료 설명에 함께 좌우된다.

### RTX PRO 6000 Max-Q에서 시간은 어떻게 계산할까?

**이 GPU에서 실제 학습 시간을 아직 측정하지 않았다.** 사용할 학습 방법, 그림 크기, 한 번에 읽는 장수, 메모리 절약 방식에 따라 달라진다. 공개 full 학습 예제가 A100여덟 장에서 시험됐다는 사실을 보유 96GB 한 장의 속도로 환산할 수는 없다. [공개 전체 학습 예제](https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/z_image/model_training/full/Z-Image.sh)

기준은 “그림을 읽고 모델 숫자를 한 번 수정하는 데 걸리는 시간”이다. 생성 중 그림을 완성하는8단계와 다른 숫자다. AI Toolkit의 Turbo LoRA 예제에는 3,000회 학습 설정이 있다. 이는 참고용 설정이며 충분한 학습량이나 완료 시간을 보장하지 않는다. 넓은 추가 학습에는 다른 설정을 측정해야 한다. [유지관리자의 학습 예제](https://ostris.com/docs/ai-toolkit/models/zimage-turbo)

아래는 1024×1024 중심, 한 번 수정할 때 그림 한 장을 쓰는 경우를 생각한 **계산 예시**다.5·10·20초는 보유 GPU의 측정값이나 확인된 속도 범위가 아니다. 실제로 더 빠르거나 느릴 수 있다.

| 수정 횟수 | 회당5초라고 가정 | 회당10초라고 가정 | 회당20초라고 가정 |
| --- | --- | --- | --- |
|3,000회|약4.2시간|약8.3시간|약16.7시간|
|5,000회|약6.9시간|약13.9시간|약27.8시간|
|10,000회|약13.9시간|약27.8시간|약55.6시간|

예를 들어 500장을 한 장씩 읽으며5,000번 수정하면 전체 자료를 평균10번 본 셈이다. 회당10초가 실제로 측정된다면 순수 훈련은 약14시간이다. 그림2,000장이어도 수정 횟수를 같게 두면 같은 시간 범위로 계산하지만, 각 그림을 보는 횟수는 줄어든다. 한 번에 여러 장을 묶거나 수정 전에 여러 번 계산을 모으면 회당 시간과 노출 수를 다시 계산해야 한다.

모델 내려받기, 설명·그림 압축 결과 준비, 중간 파일 저장, 평가 그림 생성, 사람 검수, 설치 문제 해결은 표의 시간에 들어 있지 않다. 설정을 세 번 비교하면 세 번의 훈련 시간이 든다. 자료 장수만으로 전체 기간을 정하지 않는다.

첫 실험은 메모리에 들어가는 설정에서3,000–5,000회 수정 후보를 비교하고, 큰 학습은5,000–10,000회 후보로 계획한다. 합격할 때까지 무조건 계속 반복하지 않고 검증 결과로 멈출 시점을 정한다. 정확한 견적은 실제 설정으로 준비 계산 이후50–100회를 측정해 만든다. 현재 두 GPU는 다른 작업이 메모리를 쓰고 있으므로 사용 시간과 일반 메모리 여유를 먼저 확보해야 한다.

Turbo처럼 적은 계산으로 생성하는 능력을 새로 만드는 **증류 시간은 이 표에 포함하지 않았다.** 교사·학생·보조 모델과 추가 생성이 필요한 별도 훈련이다. 이미 빠른 모델에 바로 일반 추가 학습을 하면 빠른 생성 품질을 잃을 수 있어 별도 보존 방법이나 재증류를 평가해야 한다. [학습 도구의 Turbo 주의사항](https://github.com/modelscope/DiffSynth-Studio/blob/main/docs/en/Model_Details/Z-Image.md)

## 7. 62,500크레딧이면 이미지를 몇 장 만들 수 있나?

사용자가 확인한 지급량은 **달러가 아닌 62,500 credits**다. 앞서 제시했던 $62,500 가정의 장수는 이 잔액에 적용하지 않는다.

**ChatGPT Work·Codex의 표준 GPT Image 2 크레딧 요금이 적용되면, 1024×1024 높은 품질 이미지는 출력 비용만으로 약 1만 1,800장**이다. 중간 품질은 약 4만 7천 장이다. 실제 지급 서비스와 모델 접근 권한은 계정에서 확인해야 한다.

공식 크레딧 요금표는 image2가 내보내는 이미지 계산량 100만 토큰에 750크레딧을 안내한다. 토큰은 서비스가 사용량을 세는 단위다. 같은 모델의 API 이미지 출력 단가는 100만 토큰에 $30이다. 따라서 공식 이미지 1장 출력 가격에 25를 곱하면 표준 크레딧 기준의 대략적인 출력 비용을 계산할 수 있다. 이것은 요금표 비교 계산이며 크레딧을 API 달러 잔액으로 옮길 수 있다는 뜻은 아니다. [공식 크레딧 요금표](https://learn.chatgpt.com/docs/pricing#token-rates), [API 출력 요금표](https://developers.openai.com/api/docs/pricing)

아래는 **1024×1024 이미지 출력만** 계산한 추정치다. 입력 문장, 참고 이미지, 함께 실행되는 AI 계산은 추가 비용이 들 수 있다. 공식 1장 가격도 추정 가격이므로 실제 청구량과 다를 수 있다. [이미지 크기별 출력 비용](https://developers.openai.com/api/docs/guides/image-generation#calculating-costs)

| 품질 설정 | 출력 1장당 추정 크레딧 | 62,500크레딧으로 계산한 장수 | 1,200장 출력 비용 |
| --- | --- | --- | --- |
| Low · 낮음 | 약 0.15 | 약 41만 6천 장 | 약 180크레딧 |
| Medium · 중간 | 약 1.325 | 약 4만 7천 장 | 약 1,590크레딧 |
| High · 높음 | 약 5.275 | 약 1만 1,800장 | 약 6,330크레딧 |

웹툰 자료를 준비할 때 높은 품질 후보 1,200장의 출력 비용은 이 계산으로 약 6,330크레딧이다. 70%인 840장만 채택하면 채택한 장당 출력 비용은 약 7.54크레딧이다. 탈락한 그림에도 비용이 들기 때문에 작은 묶음에서 그림체·지시 정확도·통과율부터 확인한다.

공식 API 모델 이름은 `gpt-image-2`, 고정 버전 이름은 `gpt-image-2-2026-04-21`이다. API 키로 요청할 때는 별도의 API 청구 요금이 적용된다. Work·Codex의 크레딧과 API 잔액을 같은 지갑으로 보면 안 된다. [이미지 모델 안내](https://developers.openai.com/api/docs/models/gpt-image-2), [크레딧과 API 요금 구분](https://learn.chatgpt.com/docs/pricing#token-rates)

이번 계정 청구 화면은 로그인으로 이동했다. 그래서 지급량의 표기 단위는 사용자에게 확인했지만, **이 잔액에 위 표준 요금이 적용되는지, 적용 서비스·실제 남은 잔액·만료일·모델 접근 권한은 확인하지 못했다.** 지원 프로그램 안내와 사용량 화면으로 확인한 뒤 실제 생성량을 확정한다. 구매한 API 크레딧의 일반 만료 규칙은 1년이며 지원 크레딧은 지급 조건과 실제 만료일을 따로 확인한다. [API 청구 안내](https://help.openai.com/en/articles/8264644-setting-up-and-managing-prepaid-api-billing), [크레딧 약관](https://openai.com/policies/service-credit-terms/)

## 8. 이미지 생성 비용과 학습 권한은 별개다

크레딧은 서비스 비용을 내는 수단이며 새 모델을 만드는 권한까지 자동으로 주지는 않는다. 일반 API 서비스 계약에는 출력물을 이용해 OpenAI와 경쟁하는 AI 모델을 개발하는 제한이 있다. 출력물 소유권과 함께 읽어야 한다. 일부 예외는 내부 분류·임베딩 모델이나 OpenAI 자체 모델 수정 서비스에 관한 것으로, 자체 이미지 생성기가 여기에 포함된다고 확인되지 않았다. [서비스 계약 §3.3·§4·§17](https://openai.com/policies/services-agreement/)

내부 실험·사용자 허락·크레딧 지급만으로 계약 조건이 바뀌지는 않는다. 지급 프로그램에 별도 서면 조건이 있으면 그것도 확인한다. 개인 ChatGPT에는 별도 이용약관이 적용된다. [이용약관](https://openai.com/policies/terms-of-use/)

**콘텐츠 제작에 image2를 쓰는 경로**와 **그 결과로 Moondo 모델을 학습하는 경로**를 구분한다. 두 번째는 해당 목적을 허용하는 근거가 확인될 때 시작한다. 그동안 직접 그린 그림, 학습 권한을 포함해 위탁한 그림, 해당 용도를 허용하는 자료로 준비할 수 있다.

## 9. 실제 구현에는 어떤 도구를 쓰나?

공식 저장소에 모델과 생성 예제가 있어도 원래 자료와 전체 학습 프로그램이 모두 공개된 것은 아니다. 모델을 받는 것과 논문의 전체 과정을 재현하는 것은 다르다. [공식 저장소](https://github.com/Tongyi-MAI/Z-Image)

| 도구 | 쉬운 설명 | 사용할 곳 |
| --- | --- | --- |
| DiffSynth-Studio | 그림 모델 실행·추가 학습 도구 | 넓은 Base 추가 학습 우선 후보 |
| Diffusers | 여러 그림 모델을 실행하는 프로그램 묶음 | LoRA 비교와 결과 생성 |
| AI Toolkit | 추가 학습 설정을 묶어 실행하는 도구 | Base 실험과 Turbo 특화 학습 대안 |
| diffusion-pipe | 학습을 여러 GPU로 나누는 기능이 있는 도구 | 한 서버로 부족할 때 검토 |

[DiffSynth 안내](https://github.com/modelscope/DiffSynth-Studio/blob/main/docs/en/Model_Details/Z-Image.md), [Diffusers 예제](https://github.com/huggingface/diffusers/blob/main/examples/dreambooth/README_z_image.md), [AI Toolkit 안내](https://ostris.com/docs/ai-toolkit/models/zimage), [diffusion-pipe 지원표](https://github.com/tdrussell/diffusion-pipe/blob/main/docs/supported_models.md)

DiffSynth의 전체 학습 예제는 A100 8장 서버에서 시험했다고 안내한다. 최소 장비라는 뜻은 아니다. 보유 GPU에서 직접 메모리와 속도를 재야 한다. 실험적인 생성 과정 모방도 공식 Decoupled-DMD 전체 구현과 같다고 취급하지 않는다. [전체 학습 예제](https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/z_image/model_training/full/Z-Image.sh), [과정 모방 예제](https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/z_image/model_training/special/trajectory_imitation/Z-Image-Turbo.sh)

프로그램 사용·수정·배포 조건이 라이선스다. DiffSynth·Diffusers는 Apache-2.0, AI Toolkit은 MIT, diffusion-pipe는 GPL-3.0이다. DMD2 공개 코드에는 비상업 조건이 있어 상업 프로젝트에 그대로 복사하는 후보에서 제외한다. 논문 참고와 코드 복사는 구분한다. [DMD2 이용 조건](https://github.com/tianweiy/DMD2/blob/main/LICENSE.md)

## 10. 성공했는지는 어떻게 판단하나?

좋은 그림 몇 장을 고르기보다 같은 문제를 모든 모델에 낸다. “빨간 컵 세 개가 파란 책 왼쪽에 있다”를 한국어·영어로 요청하고 개수·색·좌우 관계를 각각 검사한다. 공통 시험을 벤치마크라고 한다.

그림체는 모델 이름을 가리고 사람이 5점 만점으로 평가한다. 인물은 얼굴·머리·체형·고유 의상을 따로 검사한다. 사진에서 사물을 찾는 검사기가 만화에서는 틀릴 수 있어 사람 검수를 함께 둔다. 공개 시험을 참고하되 웹툰 문제를 추가한다. [GenEval](https://github.com/djghosh13/geneval), [T2I-CompBench](https://github.com/Karine-Huang/T2I-CompBench)

학습과 시험에 거의 같은 컷을 넣으면 답을 본 시험이 된다. 장면 묶음으로 나눠 겹치지 않게 한다. 생성 시간도 같은 GPU·그림 크기·조건에서 재야 한다. 빠르지만 지시를 더 자주 틀리면 속도 목표만 달성한 것으로 기록한다.

## 11. 확인한 것과 아직 모르는 것

확인한 것은 두 96GB GPU의 이름·현재 사용량, 전체 Tailscale 목록, image2 공식 API와 가격, 공개 도구 설명, 일반 계약의 학습 이용 제한이다. 계정 잔액을 확인한 것처럼 기록하지 않았다.

아직 필요한 것은 4090 접속 대상, GPU 사용 시간, 62,500크레딧의 적용 요금·만료일·적용 서비스, 기준 그림 20–50장, 이전 실패 사례, 자료 학습 권한, 새 캐릭터의 참고 이미지 입력 필요 여부다.

실험 숫자와 일정은 제안이며 실제 성능이 아니다. 자료 검사 도구와 문서는 있지만 훈련된 Moondo 모델은 없다. 다음 계획에 따라 **작은 자료에서 그림체와 요청 정확도가 함께 좋아지는지**부터 확인한다.

## 12. 참조 이미지를 보며 편집하는 Moondo 모델

**가능하다. 첫 권장 경로는 편집 기능을 이미 배운 공개 모델에 우리 웹툰의 수정 예제를 추가로 가르치는 것이다.** 사람도 완성 그림만 보는 것보다 원본과 수정 결과를 나란히 보면 무엇을 바꿨는지 이해하기 쉽다. 모델에도 같은 구성이 도움이 된다. 아래 기능·공개 여부는 2026년 10월 1일 공식 자료 기준이며, 문도 웹툰 성능은 아직 시험하지 않았다.

### 같은 i2i라는 말 안에도 다른 작업이 있다

i2i는 image-to-image의 줄임말로, 그림을 넣어 새 그림을 얻는 작업을 넓게 부르는 말이다. 목적에 맞는 입력 방식과 시험이 필요하다.

| 하고 싶은 일 | 쉬운 예 | 적합한 방식 |
| --- | --- | --- |
| 비슷한 구도로 다시 그리기 | 스케치를 완성된 웹툰으로 바꾸기 | 원본에 잡음을 넣어 다시 그리는 방식, 선·자세 제어 |
| 말로 특정 부분 고치기 | 얼굴은 유지하고 빨간 옷만 파란색으로 바꾸기 | 지시 편집, 필요하면 마스크 사용 |
| 여러 참고 그림으로 새 장면 만들기 | 주인공·상대역·카페 그림을 보고 대화 컷 만들기 | 다중 참조 조건을 받는 모델 |
| 다른 부분을 그대로 두기 | 말풍선만 옮기고 그림은 그대로 두기 | 레이어 분리와 일반 편집, 필요한 부분만 AI로 수정 |

원본에 잡음을 섞어 다시 그리는 SDEdit 계열은 추가 학습 없이도 쓸 수 있는 출발점이다. 다만 많이 바꿀수록 원본 얼굴·구도를 잃기 쉬우며, 특정 부분만 고치는 능력을 자동으로 보장하지 않는다. [SDEdit 원논문](https://arxiv.org/abs/2108.01073)

인페인팅은 표시한 부분을 다시 그리는 기능이다. 표시 지도인 마스크는 “여기만 바꿔도 된다”는 영역을 나타낸다. ControlNet은 윤곽선·자세·깊이 같은 구조를 따르게 하는 추가 장치다. 캐릭터 얼굴을 기억하는 기능과는 구분해서 시험해야 한다.

### 지금 다운로드하고 추가 학습할 수 있는 후보

표의 4B·6B·7B·20B는 중심 그림 모델의 숫자 수를 가리킨다. 글·이미지를 읽는 부분까지 포함한 전체 크기나 실제 필요한 메모리라는 뜻은 아니다.

| 후보 | 편집 기능과 공개 상태 | 사용 조건·문도에서의 판단 |
| --- | --- | --- |
| FLUX.2 Klein Base 4B | 생성·단일/다중 참조 편집. 느린 Base와 빠른 4단계 모델이 따로 공개됨 | 4B는 Apache-2.0. 작은 자체 모델의 우선 후보. 9B는 같은 조건이 아님. [공식 모델](https://huggingface.co/black-forest-labs/FLUX.2-klein-base-4B), [제품별 조건](https://github.com/black-forest-labs/flux2) |
| LongCat-Image-Edit · 약 6B 계열 | 편집 모델과 8회 핵심 계산의 Edit-Turbo 공개. 원본·결과로 학습하는 코드 제공 | Apache-2.0. 한 장의 원본을 수정하는 비교 후보. 기본 학습 예제는 참조 경로 하나를 사용함. [공식 저장소](https://github.com/meituan-longcat/LongCat-Image), [편집 학습 자료 형식](https://github.com/meituan-longcat/LongCat-Image/blob/main/train_examples/README.md) |
| Qwen-Image-Edit-2511 | 여러 이미지 편집과 인물 유지 개선. 20B 계열로 작은 모델보다 부담이 큼 | Apache-2.0. 품질 비교·허용된 자료 제작 후보. 전체 학습부터 시작하지 않음. [공식 모델](https://huggingface.co/Qwen/Qwen-Image-Edit-2511) |
| FireRed-Image-Edit-1.1 | 2026년 3월 공개. 인물 유지·여러 요소 합성에 집중. 그림 이해 결과를 미리 저장하고 학습하는 코드 제공 | 코드·가중치 Apache-2.0. 품질 비교 후보. 웹툰에서의 이득은 따로 확인. [공식 저장소](https://github.com/FireRedTeam/FireRed-Image-Edit), [학습 방법](https://github.com/FireRedTeam/FireRed-Image-Edit/blob/main/train/README.md) |
| Qwen-Image-2.1 · 중심 7B | 2026년 9월 20일 공개. 최대 10개 참조, 부분 편집, 투명 RGBA, 참조 계산 재사용 | Qwen Research License. 상업 이용은 별도 허가 필요. 최신 연구 비교 대상으로 분류. [공식 기능](https://github.com/QwenLM/Qwen-Image-2.1), [사용 조건](https://github.com/QwenLM/Qwen-Image-2.1/blob/main/LICENSE) |
| Qwen-Image-Layered | 평면 그림을 인물·배경 등 여러 투명 레이어로 나누는 모델 | Apache-2.0. 위치·색 수정과 말풍선 분리의 보조 후보. 지시 편집 모델 자체와는 역할이 다름. [공식 모델](https://huggingface.co/Qwen/Qwen-Image-Layered) |
| Z-Image + Fun ControlNet Union 2.1 | Alibaba PAI가 윤곽선·자세·부분 다시 그리기 기능을 공개. Turbo용 8단계 변형도 있음 | 기존 문도 생성 모델에 구조·영역 편집을 붙이는 후보. 우리 추가 학습 모델과의 호환성은 검사 필요. [Base용](https://huggingface.co/alibaba-pai/Z-Image-Fun-Controlnet-Union-2.1), [Turbo용](https://huggingface.co/alibaba-pai/Z-Image-Turbo-Fun-Controlnet-Union-2.1) |
| Z-Image-Omni-Base · Z-Image-Edit | 공식 소개에는 생성·편집 모델이 있으나 다운로드 표에 아직 공개 예정으로 표시 | 바로 내려받아 학습하는 경로로 계산하지 않음. 비공식 사이트 소개를 출시 근거로 쓰지 않음. [공식 공개 목록](https://github.com/Tongyi-MAI/Z-Image) |

OmniGen2도 편집·참조 생성과 공개 학습 자료 X2I2를 제공한다. 구조와 자료 제작을 참고할 비교 후보지만, 우선 두 작은 모델의 결과를 확인한 뒤 실험 범위를 넓힌다. [OmniGen2 공식 저장소](https://github.com/VectorSpaceLab/OmniGen2)

최신 공개 모델이라고 모두 상업 조건이 같지는 않다. 특히 **Qwen 2.1을 기존 Qwen 2511의 Apache 조건으로 취급하면 안 된다.** Qwen 2.1의 코드·가중치 사용과 그 출력으로 모델을 개선하는 계획은 별도 조건을 검토해야 한다. [Qwen 2.1 조건 §2·§4](https://github.com/QwenLM/Qwen-Image-2.1/blob/main/LICENSE)

### 최근 기법에서 실제로 가져올 것

**첫째, 참조 그림을 학습 입력에 계속 넣는다.** 최신 편집 모델은 수정 문장과 원본 정보를 함께 읽으며 결과를 만든다. 참조 조건은 원본의 얼굴·선·배치를 판단할 근거다. 같은 시드나 문장 속 캐릭터 이름만으로 대신할 수 없다.

Qwen-Image의 원논문은 그림의 의미를 읽는 장치와 세부 모양을 압축하는 VAE를 함께 사용한다. 글만으로 그림 만들기, 원본 복원, 원본과 지시로 편집하기를 함께 훈련해 보존 능력을 높인다. 문도에서도 편집 예제만 반복하는 경우와 원본 복원·생성 예제를 섞는 경우를 비교한다. 단순히 원본과 결과를 붙인 한 장을 생성 전용 학습기에 넣는 것으로 대체하지 않는다. [Qwen-Image 편집·다중 과제 학습](https://arxiv.org/html/2508.02324v1)

**둘째, 바꿀 부분과 유지할 부분을 동시에 가르친다.** 편집 학습쌍에는 “무엇을 바꿨는가”뿐 아니라 “무엇은 그대로인가”도 기록한다. 잘 바꾼 결과와 불필요하게 얼굴까지 바꾼 결과를 비교해 더 좋은 쪽을 배우는 DPO도 후속 후보다. 먼저 기본 편집 학습이 좋아지는지 확인하고, 그 뒤 사람이 고른 비교 결과를 더한다. [LongCat의 편집 SFT·DPO 자료 형식](https://github.com/meituan-longcat/LongCat-Image/blob/main/train_examples/README.md)

**셋째, 점수를 주는 AI도 우리 만화를 이해해야 한다.** 2026년 Qwen-Image-2.0-RL 연구는 지시 수행 점수와 얼굴 유지 점수 등을 조합한다. 사진의 얼굴 점수기가 과장된 웹툰 얼굴도 잘 검사하는지는 별개다. 자동 점수와 사람 판단의 일치부터 확인한다. 이 논문의 OPD는 여러 교사의 능력을 학생에게 모으는 방법이며, 그 자체가 생성 단계를 줄이는 보장은 아니다. [Qwen-Image-2.0-RL 논문](https://arxiv.org/html/2606.27608v1)

**넷째, 수정 결과 없이 배우는 NP-Edit도 있다.** 2026년 개정 논문은 원본과 수정 지시만 준비하고, VLM이라는 그림·글 이해 AI의 평가에서 계산 신호를 받아 편집 모델을 학습한다. DMD로 원래 모델의 그림 품질을 유지하도록 돕는다. 정답 결과를 만드는 비용은 줄일 수 있지만, 여러 모델과 그림을 만드는 전 과정을 다시 계산하는 훈련이 필요하다. 공개 설명의 실험은 A100 80GB 32장을 사용했다. 이것이 최소 장비라는 뜻은 아니며 우리 두 서버에서 곧바로 재현된다는 근거도 없다. 첫 방법은 검수한 학습쌍, NP-Edit는 이후 연구 후보로 둔다. [NP-Edit 방법·실험 설정](https://arxiv.org/html/2510.14978v2)

**다섯째, 레이어를 남겨 두면 반복 편집이 쉬워진다.** 레이어는 인물·배경·말풍선을 투명한 종이에 따로 그려 겹친 것과 같다. 위치 이동·단순 색 변경은 일반 편집으로 처리하고, 새 표정·손 모양 등 다시 그려야 할 내용에 AI를 쓴다. 원본 레이어가 있으면 우선 보존한다. 평면 그림의 자동 분리는 작은 선·가려진 부분을 추정하므로 원래 작업 파일을 완벽하게 복원한다고 보장하지 않는다. [Qwen-Image-Layered 논문](https://arxiv.org/html/2512.15603v1)

**여섯째, 속도를 높여도 참조를 계속 보게 한다.** 조건부 증류는 교사와 학생이 같은 원본·수정 지시·참조 그림을 받아 빠른 편집법을 배우도록 만드는 계획이다. 글→이미지 증류만 성공해도 편집 능력이 유지된다고 볼 수 없다. 먼저 같은 모델 계열·그림 압축 방식을 가진 교사와 학생으로 시험한다. 다른 계열의 내부 예측값은 그대로 비교할 수 없어 추가 설계가 필요하다.

이미 공개된 Klein 4단계와 LongCat Edit-Turbo 8회 모델은 속도 기준으로 비교할 수 있다. 우리 모델을 일반 학습한 뒤에도 그 속도·품질이 유지되는지는 다시 검사한다. Qwen 2.1의 prefix KV cache처럼 반복되는 참조 계산을 저장하는 방법은 증류와 다른 속도 개선 방법이다. 이 기능을 설계하지 않은 Z-Image에 설정 하나로 옮길 수 있는 것으로 보지 않는다. [Klein 모델 구분](https://github.com/black-forest-labs/flux2), [LongCat Edit-Turbo](https://huggingface.co/meituan-longcat/LongCat-Image-Edit-Turbo), [Qwen 2.1 구조](https://huggingface.co/Qwen/Qwen-Image-2.1)

### 기존 Moondo 생성 모델을 직접 편집기로 확장한다면?

두 단계로 나눌 수 있다. 먼저 Z-Image용 공개 ControlNet과 인페인팅을 연결해 선·자세·수정 영역을 다루는 방법이다. 이 경로는 기존 그림체 모델과 함께 동작하는지 검사해야 하며, 처음 보는 인물을 참조하고 복잡한 수정 문장을 이해하는 능력을 자동으로 얻는 것은 아니다. [Z-Image 구조·부분 편집 모델](https://huggingface.co/alibaba-pai/Z-Image-Fun-Controlnet-Union-2.1)

더 넓은 지시 편집을 직접 만들려면 **원본 그림을 읽는 입력 통로를 추가하고 그 정보를 그림 모델이 생성 내내 보도록 설계**해야 한다. 원본을 VAE로 작은 숫자 조각으로 압축하고, 필요하면 VLM으로 인물·사물 의미를 읽어 수정 문장과 함께 전달하는 구조가 참고가 된다. 수정 영역과 여러 참조의 역할도 구분한다. 아래는 Qwen의 공개 구조에서 가져온 개발 방향이며 Z-Image에서 이미 구현·검증한 코드가 아니다. [Qwen의 의미·모양 입력 구조](https://arxiv.org/html/2508.02324v1)

원본을 읽는 통로·그림 모델·자료 연결을 함께 학습하고, 원본 복원과 지시 편집을 비교하며, 새 인물과 연속 수정에서 검증한다. 그 뒤 같은 참조를 보는 빠른 학생을 만든다. 편집을 이미 배운 모델의 한 그림체 전문화와 달리 일반적인 편집 능력까지 새로 가르치는 프로젝트가 되므로, 앞의 300–500묶음과 2–4주 제안을 이 경로의 견적으로 사용하지 않는다. 공식 Z-Image-Edit 공개를 기다리는 선택지도 별도로 유지한다.

### 문도 모델에 필요한 편집 자료

**첫 실험은 검수 통과 300–500묶음, 개선이 확인되면 1,000–3,000묶음으로 확대하는 제안이다.** 편집을 이미 배운 모델의 웹툰 전문화 목표이며, 일반 편집 능력을 처음부터 배우는 최소 수량이 아니다. 일반 그림체 자료 500장과 편집 학습쌍 500묶음은 같은 단위가 아니다.

한 묶음은 원본, 수정 지시, 정답 결과로 구성된다. 추가로 참고 캐릭터·영역 마스크·유지할 특징을 기록할 수 있다. 예를 들어 “빨간 재킷을 파란색으로 바꾸고 얼굴·머리·배경은 유지”라면 결과에서 재킷 색과 나머지 요소를 각각 검사한다. 요청하지 않은 얼굴 변화가 생긴 결과는 정답으로 채택하지 않는다.

| 필요한 것 | 자료에 남기는 이유 |
| --- | --- |
| 원본과 정답 결과 | 무엇이 실제로 달라졌는지 학습하기 |
| 수정 지시와 유지할 요소 | 바꾸는 일과 지키는 일을 함께 검사하기 |
| 선택적 마스크 | 작은 부분만 바꿀 때 허용 영역을 표시하기 |
| 참조 그림의 역할 | 원본·캐릭터·그림체·배경 중 무엇을 참고할지 구분하기 |
| 원본 장면·인물 묶음 번호 | 비슷한 컷이 학습과 마지막 시험에 동시에 들어가지 않게 하기 |
| 작업 순서와 이전 결과 | 세 번 고친 뒤에도 얼굴·그림체가 유지되는지 검사하기 |
| 출처·권한·검수 기록 | 실제로 학습에 쓸 수 있고 정답이 맞는지 확인하기 |

처음에는 원본 200–300장에 서로 다른 수정 예제를 붙여 약 500묶음을 준비할 수 있다. 원본 250장과 별개의 정답 결과 500장이면 그림 파일은 750개다. 검증·시험·마스크·캐릭터 참조 파일은 여기에 별도로 더한다. 같은 원본의 수정들은 한 자료 묶음으로 관리한다.

직접 만든 웹툰 레이어를 수정하면 불필요한 변화가 적은 정답을 만들기 좋다. 공개 편집 모델의 결과도 입력 권한·출력 이용 조건을 확인하고 사람이 검수한 뒤 후보로 쓸 수 있다. ImgEdit·AnyEdit·X2I2 같은 공개 자료는 작업 종류와 형식의 참고 자료다. 사진 위주의 자료나 공개 링크 자체가 우리의 그림체·권한·자료 품질을 해결해 주지는 않는다. [ImgEdit 자료 제작·검사](https://github.com/PKU-YuanGroup/ImgEdit), [AnyEdit](https://github.com/DCDmllm/AnyEdit)

image2로 후보 편집 결과를 만드는 기능은 공식 OpenAI 문서에 안내되어 있다. 다만 여기에도 8장의 학습 권한 조건을 적용한다. 편집에는 참조 입력 비용이 추가되며 gpt-image-2는 입력 이미지를 자동으로 높은 충실도로 처리한다. 앞의 62,500크레딧 장수는 이미지 출력만 계산한 값이므로 편집 묶음의 실제 총비용으로 쓰지 않는다. [OpenAI 공식 편집·입력 비용 안내](https://developers.openai.com/api/docs/guides/image-generation)

### 보유 장비에서 무엇부터 구현할까?

**Klein Base 4B를 첫 학습 후보로, LongCat-Image-Edit를 비교 후보로 제안한다.** 둘 다 웹툰 기준 문제를 풀게 해 선택한다. 이전 FLUX 생성용 LoRA 실험과 달리 여기서는 원본을 계속 입력하고 편집 결과로 학습한다. 더 작은 부품만 배우는 LoRA와 그림 모델 일부·전체를 바꾸는 추가 학습은 같은 편집 자료로 비교한다.

DiffSynth-Studio는 Klein Base 4B 전체 학습 예제에 참조 입력을 받는 편집 설정도 제공한다. 다만 편집 명령은 주석으로 되어 있으며, 주석 해제만으로 우리 서버에서 검증된 프로그램이 되는 것은 아니다. 자료 읽기·참조 연결·평가·중단 후 이어가기까지 구현하고 시험해야 한다. Template-Edit 예제는 별도 부품을 학습하므로 전체 그림 모델 학습과 구분한다. [Klein 전체 학습과 편집 설정](https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/flux2/model_training/full/FLUX.2-klein-base-4B.sh), [별도 편집 부품 설정](https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/flux2/model_training/full/Template-KleinBase4B-Edit.sh)

96GB GPU 한 장을 충분히 비우고, 글 읽기·그림 압축 부분을 고정한 작은 실험부터 진행한다. 참조가 늘면 그림을 처리하는 계산과 중간 저장이 늘어난다. 중심 4B의 흔한 학습 상태만 약 64GB로 계산할 수 있지만, 참조·결과 중간 계산과 다른 모델은 추가다. 이는 숫자당 16바이트를 쓰는 한 설정의 계산이며 실제 최소 용량·성공 보장이 아니다. 더 큰 모델의 전체 학습은 메모리 절약과 학습 범위를 먼저 검토한다.

다른 96GB 서버는 동시에 나눠 학습하기보다 비교 결과 생성·검수 준비를 맡기는 경로부터 시작한다. 현재 두 서버의 메모리 점유와 일반 메모리 부족은 기존 조사와 같다. 실제 학습 시간은 편집 설정으로 50–100회 측정해야 하며, 생성 전용 실험의 시간을 그대로 적용하지 않는다.

최종 구조의 첫 제안은 **기준 컷·캐릭터 그림 준비 → 수정할 부분 표시와 요청 → Moondo Edit가 후보 생성 → 유지할 영역·인물·그림체 검사 → 선택한 결과를 새 버전으로 저장**이다. 원본 컷을 보존하고 필요하면 마스크 밖의 원본을 다시 합성해 고정한다. 마스크 경계·그림자까지 바뀌어야 하는 작업은 허용 영역을 넓히고, 전신 자세 변경에 작은 영역 고정을 억지로 적용하지 않는다.

첫 편집 기능은 옷·소품 색, 표정, 배경 교체, 소품 추가·삭제로 좁힌다. 새로운 자세·다중 인물 합성·여러 번 이어 고치기는 별도 난도로 확장한다. 상세 준비물과 단계별 결과물은 실행계획 11장에 정리했다.
