LiblibAI不支持自定义Rank，所有LoRA训练均采用平台预设固定值：SD1.5对应r=8、SDXL对应r=16、Foundation1.0对应r=32；用户可通过切换底模、增强数据多样性或本地合并权重间接优化表达能力。
☞☞☞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☜☜☜
在LiblibAI平台训练LoRA模型时，如果你发现生成图细节模糊、风格漂移或训练loss震荡剧烈，很可能是默认Rank值无法匹配你的数据复杂度——比如用30张高精度水墨画训练却沿用平台默认的r=8，会导致低秩表达能力不足。
LiblibAI是否支持自定义Rank
不支持。LiblibAI“赛博丹炉”训练页的全部参数面板中【没有Rank（r）输入框或下拉选项】，所有LoRA训练均采用平台预设的固定Rank值：SD1.5底模对应r=8，SDXL底模对应r=16，Foundation1.0底模对应r=32。
该设计是为零代码用户屏蔽底层矩阵分解概念，避免新手因误调Rank引发NaN Loss或显存溢出。
绕过限制的实操路径
方法一：切换底模间接改变Rank
若你手头只有20张精细线稿图，想提升细节还原力，可放弃SD1.5底模→改选SDXL底模→自动获得r=16的更高秩表达能力。注意：SDXL对图片构图容错率更低，需确保所有图都含完整人物全身及背景留白。
方法二：用重复样本模拟Rank增强效果
将原20张图按语义分组（如“执扇仕女”“展卷文士”“抚琴隐者”），每组内对单张图做轻微扰动：亮度±5%、对比度±0.2、添加1px高斯噪点→生成3张变体→共得60张图。平台虽仍用r=8，但数据多样性提升使低秩矩阵实际承载更多信息。
方法三：训练后手动合并LoRA权重（需本地环境）
在Hugging Face上下载你训练好的LoRA权重（.safetensors格式）→用PEFT库加载→执行lora_config.r = 16重设秩→调用merge_and_unload()导出全量权重→再转回LoRA格式。这步会丢失平台自动优化的触发词适配层，需重新测试prompt泛化性。
什么情况下必须接受默认Rank
第一步：确认你的GPU型号
若使用LiblibAI免费队列（A10显卡），【禁止尝试任何Rank修改操作】，因为A10显存仅24GB，r=16时Batch Size×梯度累积必须压到≤4，否则训练直接报OOM错误。
第二步：检查图片数量
图片少于25张时，即使强行提Rank也会导致过拟合——生成图反复复现某张训练图的袖口褶皱或发髻角度，其他区域崩坏。此时应优先补图而非调参。
第三步：验证触发词有效性
在“模型效果预览提示词”栏填入ink_wash:1.3, scholar figure, soft ink gradient后，预览图若出现明显偏色或结构扭曲，说明当前Rank与底模已失配，立即停止训练并换底模。
