很多朋友在使用LiblibAI训练人物模型时，常常遇到一个共同的烦恼：明明是同一角色的数据集，生成出来的图像中鼻梁高度、眼距、唇形却总是忽大忽小，一换姿势就变得难以辨认。这个问题的根源其实并不复杂——绝大多数情况都是因为训练数据中的面部关键点没有严格对齐，同时LoRA权重没有校准到最能锁定物理特征的敏感区间。

搞清原因之后，解决方案也很明确：只需从三个环节入手，就能显著改善脸部漂移问题。

确保三张训练图像严格对齐同一人物面部

具体操作很简单。第一步，用PS或Photopea打开你的原始立绘，借助标尺工具测量左眉峰到内眼角之间的像素距离，记下数值，例如142px。

第二步，对另外两张侧视图做同样的测量。如果偏差超过8px，就必须使用“自由变换→扭曲”功能手动校准，直到三张图该距离完全一致。这一步至关重要，因为如果数据中存在比例差异，AI会把不同比例的五官当成三个独立的角色来学习。

第三步，导出时统一设置为512×512的PNG格式。背景必须保持纯白或透明，任何灰阶阴影都会干扰后续的面部对齐增强模块。

训练时务必开启“面部对齐增强”并设定合适的迭代步数

进入LiblibAI的训练页面，依次点击“模型训练→创建LoRA”，上传三张已对齐的图片，然后勾选“面部对齐增强”开关。

关键在迭代步数。建议设置为1200步，学习率固定为0.0008。步数低于1000会导致特征提取不完整，高于1400则容易过拟合——最终得到的模型只会复刻原图的特定角度，换个姿势脸就会崩。

训练过程中要实时关注loss曲线。如果到了800步后，loss仍在0.035以上且没有下降趋势，就果断中断并检查数据对齐情况。强行跑完只会得到一个“伪一致性”的模型。

在生成阶段，需要做三件事来形成双重保险。第一，在LiblibAI首页的“图片生成”页，勾选训练好的LoRA，把权重滑块精确拖到0.75的位置。第二，上传一张训练图作为参考图，开启脸部锁定至85%，服饰主体保留度调至60%。第三，在提示词末尾手动添加三个物理锚点描述：严格复现原图中左眉峰至内眼角距离、右耳垂最低点与下颌角夹角、鼻尖高光形状。这三处是人脸骨骼和软组织交界时最稳定的光学标记点，AI难以绕开。