在LiblibAI平台上训练专属角色LoRA模型，看似简单，实则有许多关键细节需要掌握。如果这些步骤没有执行到位，模型生成效果可能大打折扣——比如肢体错位、面部崩坏，甚至触发词完全失效。因此，在开始之前，务必先理清几个核心要求。

你需要满足三重约束：图像规范、参数匹配和触发词绑定。具体来说，就是准备20到50张同风格的正方形图（尺寸为768×768或1024×1024），文件名必须使用全英文加下划线和数字序号，每张图的标签都要前置唯一的触发词，而且不能使用“漂亮”“可爱”这类抽象词汇。底模的选择也得根据角色类型来——人像类用SD1.5，二次元用SDXL Anime，带机甲、兽耳等非标结构的必须用Foundation1.0。参数方面，Repeat设为6到8，Epoch分别设为5和8两个版本进行对比，学习率用4e-4，Batch Size乘以梯度累积等于10，混合精度要关闭。训练时，如果loss能稳定在0.25左右，基本就说明正常了。

准备角色训练图集

这个步骤听起来简单，只需将文件拖入即可，但其中有不少门道。每张图必须满足三个硬性条件：主体居中、背景干净、无遮挡。尤其要注意，手部交叉、头发遮脸、道具重叠这些构图问题，都会干扰模型对角色特征的学习。

裁剪为正方形时，【禁止非等比拉伸】。最好使用PS或在线工具手动裁切，不要依赖平台自动缩放。如果原始图是竖构图，宁可裁掉上下留白，也不能压扁头身比，否则训练出来的模型会变形。

文件名的格式也很关键：全英文加半角下划线加数字序号，例如01_red_hair_girl.jpg、02_red_hair_girl_front.jpg。如果出现中文、空格、括号或全角逗号，上传后就会直接报错中断，前功尽弃。

每张图还要配一个英文标签，用逗号分隔，关键词可以加权。比如(red_hair:1.3), green_eyes, black_leather_jacket, side_profile。记住，不要写“漂亮”“可爱”这类抽象词，AI根本理解不了，只会让训练结果变得混乱。

选择底模与基础参数

底模选错，后面所有操作都白费，这绝不是危言耸听。人像类角色选SD1.5；二次元或ACG角色选SDXL Anime或Seedream 4.5；如果角色带有机甲、兽耳、翅膀等非标结构，必须用Foundation1.0底模。

操作路径：进入“赛博丹炉”，点击“训练LoRA”，在底模列表中找到对应模型，再点击“使用此模型”。此时界面右上角会显示当前底模名称，确认无误后再继续。

在简易参数面板中，“单次张数”设为15，“循环轮次”设为8，“模型效果预览提示词”填入一个包含触发词的短句，例如red_hair_girl, standing pose, studio lighting。注意，这个提示词不是描述图里的内容，而是未来调用模型时必须写的启动开关，写错了模型就不会响应。

高级参数关键设置

点击“高级参数”展开面板，按以下顺序设置，顺序不要搞错。

① Repeat设为6（素材20到30张时用这个值），如果素材少于20张，就设到8。数值太低，特征学不牢；太高，又容易过拟合，生成效果反而僵硬。

② Epoch设为5和8两个版本，分别提交训练任务。后期可以对比生成图的泛化能力——Epoch=5出图快，但细节弱一些；Epoch=8稳定性高，但可能有点僵硬。两个版本都试试，选效果好的那个。

③ 学习率填入4e-4，调度策略选“cosine with warmup”。【严禁使用固定学习率】，否则loss会在第300步左右突然爆NaN，训练直接终止，白跑一趟。

④ Batch Size乘以梯度累积要等于10。如果平台分配的是A10 GPU，设Batch Size=2、梯度累积=5；如果是V100，则设Batch Size=5、梯度累积=2。这个乘积必须落在8到12之间，否则显存会溢出，或者收敛速度慢得让人着急。

⑤ 关闭“混合精度训练”。LiblibAI云端的fp16支持不太稳定，开启后90%的概率会出现loss=nan错误，而且没法回溯修复，所以最好别碰。

裁剪打标与人工校验

有两种方法。一种是直接使用平台的“裁剪打标”功能，选择“聚焦剪裁”，系统会自动框出人脸区域，确认后批量生成带标签的训练图。另一种是上传前已经手动裁好正方形图，那就点“跳过裁剪”，直接进入打标环节。

打标时，必须逐张检查AI自动生成的标签是否准确。比如图中人物明明戴着眼镜，但标签漏了glasses，就得手动补上。这一步偷懒不得，否则模型会漏掉关键特征。

重点提醒：所有标签都必须前置触发词。比如你设定的触发词是red_hair_girl，那每张图的标签开头都得是red_hair_girl, ……，否则训练完的模型根本无法被调用，等于白忙一场。

最后一步：点击“开始训练”，等待进度条走完。如果loss稳定降至0.25左右，说明一切正常。低于0.15可能过拟合，高于0.4则说明数据或参数有误，需要重新检查。