在LiblibAI平台进行LoRA模型训练时，数据准备是首要且不可回避的环节。虽然步骤看似简单——准备20到50张同主题的正方形图片，裁剪为768×768或1024×1024分辨率，文件名采用半角数字加下划线加英文单词，标签用半角逗号分隔并支持加权——但每一步出错都会导致后续训练难以推进。许多用户在上传数据后遭遇“标签格式错误”提示，或在训练中途发现loss突然飙升到inf，这通常并非平台故障，而是因为文件名中混入了中文标点、分辨率与底模要求不匹配，或关键参数组合触发了隐性冲突。

准备训练数据集

第一步：收集20到50张主题一致、风格统一的方形图片。例如，若要训练水墨人物肖像，则全部素材应为水墨人物，避免混入现代插画或风景照片。若素材不足20张，后续需适当调高Repeat值，以补偿特征学习强度的不足。

第二步：使用Photoshop或XnConvert等工具，将所有图片裁剪为严格的正方形。分辨率仅支持768×768或1024×1024——注意，平台不会自动校验长宽比，非等比拉伸的图片一旦进入训练流程，生成的LoRA模型很可能出现形变。

第三步：文件重命名必须遵循半角数字加下划线加英文描述词的格式。例如 01_ink_wash_scholar.jpg。禁止使用空格、中文括号、顿号、冒号等符号，即使“01-水墨人物.jpg”这类带短横线的命名也会被判定为非法。注意，平台对文件名的校验极为严格，半角符号是硬性要求。

第四步：标注标签时使用英文逗号分隔关键词，并可对核心词进行加权，例如 (ink_wash:1.3), scholar, soft_brush, white_space。所有标点必须为半角字符，若出现全角逗号，整个标签将解析失败。手动编辑标签时尤其容易忽略此细节。

选择底模与基础参数

方法一：进入“赛博丹炉”界面，点击左侧“训练LoRA”，在底模列表中根据用途选择：
- 人像/ACG类内容选用SD1.5；
- 写实场景、建筑、产品图选用SDXL；
- PVC、金属、玻璃等材质表现选用Foundation1.0。

方法二：在简易参数面板中，“单次张数”保持默认值15，“循环轮次”设为8，“模型效果预览提示词”必须包含所设定的触发词。例如 ink_wash, scholar figure——若遗漏触发词，即使训练完成也无法正常调用，等于徒劳无功。

最后，务必关闭“混合精度训练”开关。此步骤不可跳过。LiblibAI的云端环境启用该选项后，极易出现NaN Loss，训练通常在第3至第5轮突然中断，日志中仅显示一行“loss=nan”，无其他错误提示。关闭该开关，能节省大量重新训练的时间。

调整高级参数止血

点击“高级参数”展开面板，需关注以下四个关键点：

第一，将Repeat设为5至8。若素材不超过20张，建议取7或8。Repeat值过低会导致特征学习不充分，过高则容易过拟合。

第二，Epoch先尝试5和8两个值。切勿直接设为12——轮次过多，在小数据集上反而容易引发过拟合，生成的图像细节会变得一塌糊涂。

第三，学习率填写3e-4（风格类）或4e-4（角色类），调度策略必须选择“cosine with warmup”。固定学习率会导致前期震荡严重、后期收敛缓慢，训练效果大打折扣。

第四，Batch Size与梯度累积的乘积需控制在8至12之间。平台分配A10显卡（24GB）时，Batch Size设为2，梯度累积设为4；若为V100（32GB），Batch Size设为3，梯度累积设为3。乘积低于8会导致模型学不牢固，高于12则显存溢出风险大增，可能直接导致训练进程崩溃。

上传与启动训练

将处理好的图片拖入右侧“图片/数据处理”区域，系统将自动执行裁剪与标签解析。请观察每张图片下方是否显示绿色对勾，标签文字是否清晰可读——这表示前置校验已通过。

检查左侧面板所有参数，确保没有红色警告图标。尤其注意两点：确认“触发词”已填入预览提示词框；确认混合精度处于关闭状态。

点击“开始训练”，页面将跳转至实时监控页面。正常情况下，loss曲线在前100步内从2.x快速下降至1.x，200步后稳定在0.25至0.4之间波动。观察到这一走势后，即可放心离开，无需一直盯着进度条。