LoRA模型生成图失真主因是训练数据问题：①图片非正方形裁剪导致空间关系扭曲；②文件名含中文标点致标签解析失败；③序号跳号使部分图片被静默跳过；④标签漏关键特征、缺质量词或含冲突词，均会直接破坏训练效果。
☞☞☞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☜☜☜
LiblibAI上训练出的LoRA模型生成图失真、特征丢失或完全跑偏，大概率不是参数调得不对，而是训练前的数据出了问题——图片裁剪变形、命名含中文标点、标签漏关键特征或顺序错乱，这些错误在上传后就无法补救。
检查素材是否踩中三大硬伤
第一步：打开你上传的全部训练图，逐张用画图软件打开→右键属性→确认宽度与高度数值是否完全相等。若出现768×512、1024×768这类非正方形尺寸，【必须全部重新裁剪为严格正方形】，非等比拉伸会导致LoRA学习到扭曲的空间关系，后续所有参数调整都无效。
第二步：选中任意一张图，看文件名——如果出现“01_水墨仕女.jpg”里的“。”、“，”或空格，立刻重命名。全角字符会让LiblibAI解析失败，标签直接被截断，模型根本收不到这张图的任何有效信息。
第三步：把全部图片拖进Windows资源管理器，按名称排序，检查序号是否连续且无跳号（如01、02、03…09、11）。跳号不会报错，但会悄悄跳过缺失编号的图，实际参与训练的图数远少于你以为的数量。
用LoRA训练助手做标签审计
方法一：单图快速诊断
把你最不满意的一张训练图，用中文描述核心内容（例如：“穿蓝白校服的双马尾女孩，戴红色蝴蝶结，站在樱花树下微笑”），粘贴进LoRA训练助手。它输出的英文标签里，如果没出现【1girl, twintails, school_uniform, red_ribbon】这四个基础结构词，说明原始打标漏掉了主体、发型、服饰和关键配饰——这些是LoRA识别角色身份的锚点，缺一不可。
方法二：批量标签一致性检测
把全部图片的原始标签复制进文本编辑器，用查找功能搜“masterpiece”和“best quality”。如果超过三分之一的图没包含这两个词，模型会默认你不要高质量输出，生成图天然带噪点、糊边、细节崩坏。
方法三：触发词位置验证
在助手生成的每条标签开头，确认触发词（如ink_wash）是否紧贴最左侧、且后面紧跟英文逗号。若触发词出现在中间或末尾，LoRA无法将其绑定为风格开关，训练时会当成普通修饰词忽略。
人工复核裁剪与打标衔接点
第一步：打开任意一张训练图，用画布工具放大到200%，观察人物脸部边缘是否被切掉半只耳朵、衣领是否被截断。裁剪必须保证主体完整，哪怕留白多些——LoRA靠边缘像素判断构图逻辑，切掉关键部位会让模型误判比例关系。
第二步：对照图中实际存在的元素，逐条核对标签是否全部覆盖。比如图里有明显反光的金属发卡，但标签只有“hair_ornament”，没写“shiny_metal_hairpin”，这个细节就会永久丢失。LoRA不会脑补你没写的特征。
第三步：检查标签里是否有冲突词。例如同一张图同时出现“realistic”和“anime”，或“low_res”和“masterpiece”。这类矛盾描述会让模型在训练中自我对抗，loss曲线必然震荡不止，最终收敛到一个妥协的、什么都像又什么都不像的结果。
