模型生成图效果不佳？别急着调整参数，问题根源很可能出在训练数据上。

先说一个核心判断：在LiblibAI上训练LoRA时，出图模糊、特征丢失甚至完全偏离预期，十有八九不是参数设置的问题，而是训练前的数据准备环节埋下了隐患。图片裁剪变形、文件名包含中文标点、标签遗漏关键特征——这些问题一旦上传，后续所有调参都是徒劳。

那么，具体应该从哪些方面逐一排查？

检查素材是否踩中三大硬伤

第一步，将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。如果出现768×512或1024×768这类非正方形尺寸，必须全部重新裁剪为严格正方形。非等比拉伸会导致模型学习到扭曲的空间关系，后续无论如何调整参数都无效。

第二步，随机选中一张图片查看文件名。如果出现“01_水墨仕女.jpg”这类包含句号、逗号或空格的命名，立即重命名。全角字符在LiblibAI上会直接导致标签解析失败，模型无法接收这张图的任何有效信息。

第三步，将所有图片按名称排序，检查序号是否连续且无跳号（例如01、02、03……09、11这种情况）。跳号不会报错，但系统会静默跳过缺失编号的图片。你以为是60张图参与训练，实际可能只有50张在起作用。

用LoRA训练助手做标签审计

挑选最不满意的一张训练图，用中文描述核心内容，比如“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”，然后粘贴进LoRA训练助手。如果它输出的英文标签里没有出现1girl, twintails, school_uniform, red_ribbon这四个基础结构词，说明原始打标遗漏了主体、发型、服饰和关键配饰。这些词是模型识别角色身份的锚点，缺少任何一个都会影响训练效果。

批量标签一致性也必须过一遍。将所有图片的原始标签复制到文本编辑器，搜索“masterpiece”和“best quality”。如果超过三分之一的图片缺少这两个词，模型就会默认你不需要高质量输出，生成图天然带有噪点、模糊边缘、细节崩坏等问题。

还要确认触发词的位置。在助手生成的每条标签开头，检查触发词（比如ink_wash）是否紧贴最左侧，后面紧跟英文逗号。如果触发词出现在中间或末尾，模型不会把它当作风格开关，只会当作普通修饰词而直接忽略。

人工复核裁剪与打标衔接点

打开训练图，使用画布工具放大到200%，仔细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，即使留白多一些也没关系。LoRA是靠边缘像素判断构图逻辑的，切掉关键部位会让模型误判比例关系。

对照图中实际存在的元素，逐条核对标签是否全部覆盖。比如图中有明显反光的金属发卡，但标签只写了“hair_ornament”，没有写“shiny_metal_hairpin”，这个细节就会永久丢失。模型不具备脑补能力，你没有写的特征它绝不会凭空生成。

最后，检查标签里是否存在冲突词。同一张图同时出现“realistic”和“anime”，或者“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，最终收敛到一个什么都像、又什么都不像的妥协结果。