成功训练LoRA模型需严控三环节：人工校验数据裁剪、触发词前置、关闭混合精度；图集20–50张（推荐30张），统一正方形分辨率（768×768或1024×1024），命名仅限半角字符，每图配同名英文标签文件，底模按场景选SD1.5/SDXL/Foundation1.0，关闭混合精度训练，触发词必须置首。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
想在LiblibAI上成功训练出可用的LoRA模型，却反复失败、loss炸飞或生成图完全不认得原图风格？问题大概率出在数据裁剪没人工校验、触发词没前置、或混合精度没关——这三个环节任意一个踩坑，训练就直接报废。
准备符合平台要求的训练图集
第一步不是点“开始训练”，而是把20–50张图全部处理干净。数量少于20张时效果会明显发散，多于50张反而增加噪声干扰，尤其对新手来说，30张左右最稳妥。
所有图片必须裁成正方形，分辨率严格限定为【768×768或1024×1024】——用PS或在线工具批量resize时，务必勾选“约束比例”并手动输入宽高值，否则非等比拉伸会导致LoRA学歪形变。
文件命名只能用半角数字、英文、下划线，例如01_ink_wash_landscape.jpg；严禁出现空格、中文标点、括号、全角字符（比如“，”“。”），否则上传后系统会静默跳过该文件，你根本看不到报错提示。
每张图对应一个英文标签文件（.txt），与图片同名，内容用英文逗号分隔，可加权如(ink_wash:1.3), scholar, soft_gradient —— 权重超过1.5容易过拟合，低于0.8则特征激活不足。
在赛博丹炉中配置基础参数
进入“赛博丹炉”→点击左侧“训练LoRA”，这一步必须先选底模：人像/ACG类选SD1.5，写实场景选SDXL，PVC/金属等特殊材质选Foundation1.0。选错底模，后续所有参数都白调。
简易参数面板里，“单次张数”保持默认15，“循环轮次”设为8，这两项新手不要动。关键动作是：关闭【混合精度训练】开关——LiblibAI云端fp16支持不稳定，开启后90%概率出现NaN Loss导致训练中途终止。
“模型效果预览提示词”必须包含明确触发词，且放在最前面，例如ink_wash, scholar figure, ink_brush_stroke —— 如果写成a scholar figure in ink wash style，触发词被淹没在中间，预览图就不会带LoRA特征。
高级参数调优（仅当标准训练失败时启用）
方法一：稳定loss震荡
展开“高级参数”，将Repeat设为6（素材30张时适用），Epoch设为5，学习率填入3e-4，调度策略选“cosine with warmup”。这组参数能压平早期loss尖峰，避免梯度爆炸。
方法二：加速小数据收敛
若只有18张图，Repeat必须拉到8，同时Batch Size设为2，梯度累积设为4，确保Batch Size × 梯度累积 = 8——低于8训练太慢，高于12显存溢出风险陡增。
方法三：防过拟合补救
启用正则图（Regularization Images），上传5–8张同风格但不含主体细节的图，比如纯水墨渐变背景、空白宣纸纹理等。这步常被忽略，但能在loss降到0.25后继续下探0.05–0.1，显著提升泛化能力。
上传与启动训练
第一步：点击“上传训练图集”，拖入已处理好的图片+对应.txt标签文件夹，等待进度条走完。
第二步：检查右侧“已识别图像”数量是否等于你上传张数，若少于预期，立即点开“查看未识别文件”——八成是命名含全角逗号或分辨率不对。
第三步：确认“触发词”栏显示你填的关键词（如ink_wash），且右侧有绿色对勾图标，没有就说明格式非法，需返回修改。
第四步：点击“开始训练”，页面跳转至任务监控页，loss曲线首次下降到0.3以下且趋势平缓，说明训练已进入有效阶段。
