LiblibAI LoRA训练卡在“排队中（第X位）”是因GPU节点争抢、队列拥堵或限流机制；需先确认真排队（右上角显示倒计时）再切换低负载节点（＜15%）、精简参数（512×512、≤60步、关自动打标）或错峰提交（凌晨1–4点）。
☞☞☞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上提交LoRA训练任务后卡在“排队中（第X位）”，不是网络慢或操作错，而是服务端GPU节点争抢、训练队列调度拥堵或参数配置触发了平台限流机制；必须区分是真排队还是本地假卡顿，再针对性切换节点、精简参数或错峰重提。
先确认是不是真在排队
右上角任务栏显示“排队中(第X位)”或带倒计时的数字，才是服务端真实排队；若只显示“生成中”且进度条长时间不动，大概率是浏览器缓存异常或插件冲突导致的假卡顿。
在地址栏输入 chrome://settings/clearBrowserData → 勾选“缓存的图片和文件”+“Cookie及其他网站数据” → 点击“清除数据”。
清除后关闭所有LiblibAI标签页，重新打开官网，不登录直接用游客模式试生成一张默认尺寸图。这一步能快速排除账号级限速或会员权限异常。
手动切到低负载GPU节点
平台默认开启“自动分配节点”，但高峰时段它常把任务塞进高负载节点（如负载67%的huawei-gpu-22），导致排队时间翻倍。
第一步：点击生成界面右上角“⚙️高级设置” → 展开“计算资源”选项。
第二步：关闭“自动分配节点”开关 → 页面列出当前可用节点，如“huawei-gpu-03(负载23%)”“huawei-gpu-17(负载8%)”“huawei-gpu-22(负载67%)”。
第三步：勾选负载最低的节点（【必须低于15%，否则仍可能卡住】）→ 点击“确认并生成”。
这一步操作起来很简单，直接选数字最小的那个就行。
精简参数避开限流阈值
LiblibAI对LoRA训练任务设置了隐性参数红线：当“训练步数×图片数量×分辨率”超过平台实时算力配额，系统会自动降权排队，而非报错提示。
方法一：将原始图片统一裁剪为512×512（非768×768或1024×1024），可降低单图算力消耗约40%。
方法二：训练步数从默认的100步降至60步以内，实测对泛化类LoRA（画风/风格）影响极小，但排队位次平均提前12位。
方法三：关闭“自动打标”→ 手动为每张图编写1～2个核心标签（如“anime_style, soft_light”），避免AI冗余解析拖慢调度。
注意：不要同时调高“学习率”和“步数”，二者叠加极易触发限流——平台判定为高危训练行为，直接塞入长队尾。
换时段重提，别硬等
每日凌晨1:00–4:00、工作日早8:30–9:30是平台真实低峰窗口，此时提交相同参数的LoRA训练任务，排队位次比早10点下降60%以上。
① Windows用户：用任务计划程序新建基本任务 → 触发器设为每天03:15 → 操作设为“启动程序”，路径填浏览器exe，参数填LiblibAI训练页URL。
② macOS用户：用Automator创建“应用程序” → 添加“运行Shell脚本”动作 → 输入 open -a "Google Chrome" "https://liblib.art/train" → 保存后用系统“调度”功能设定执行时间。
③ 关键动作：提交前清空浏览器缓存（重复第一步），且【切勿在整点刷新页面重提】——平台反刷量机制会识别高频请求，导致IP临时降权。
