精准标注模型标签可解决liblibai生成效果不稳定问题，需按主类别+子属性+触发标识三层结构规范操作，涵盖lora、checkpoint、controlnet三类模型的专用标注法及批量校验技巧。
☞☞☞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☜☜☜
如果您在LiblibAI平台上传自定义模型后发现生成效果不稳定或风格不一致，很可能是由于模型标签标注不准确所致。模型标签直接影响平台对模型功能、适用场景及风格特征的识别与调用逻辑。以下是实现精准标注与高效分类的具体操作路径：
一、理解标签结构与核心字段
LiblibAI模型标签采用“主类别+子属性+触发标识”三层结构，系统依据此结构自动归类并匹配推理流程。主类别决定模型基础能力（如LoRA、Checkpoint、ControlNet），子属性描述风格/用途（如“写实人像”“赛博朋克建筑”），触发标识是用户在Prompt中必须输入的激活关键词（如“my_lora_v2”）。错误标注会导致系统误判模型类型，例如将LoRA误识别为Checkpoint，从而跳过权重加载环节。
1、进入LiblibAI官网，登录账号后点击右上角头像，选择“我的模型”。
2、在模型列表中找到待标注模型，点击右侧“编辑信息”按钮。
3、在弹出窗口的“标签栏”中，删除平台自动生成的泛化词（如“通用”“测试”），仅保留三项：一个主类别词、不超过两个子属性词、一个唯一触发标识。
二、LoRA模型专用标注法
LoRA模型需强制绑定触发词与权重区间，标签中必须显式声明其作用维度。若未标注“作用对象”（如face/hand/texture）和“调节方向”（如enhance/soften/reduce），系统将默认启用全图无差别微调，极易造成五官畸变或边缘模糊。
1、在标签栏输入格式为：“LoRA, face_enhance, my_face_fix_v3”。其中“LoRA”为主类别，“face_enhance”为子属性，“my_face_fix_v3”为触发标识。
2、避免使用模糊动词（如“优化”“改善”），改用平台预设术语：enhance（增强）、soften（柔化）、reduce（削弱）、match（匹配）。
3、若模型同时影响多部位（如face+hand），标签须写为“LoRA, face_enhance_hand_reduce, my_dual_v1”，不可拆分为两个独立标签。
三、Checkpoint模型分类标注规范
Checkpoint模型标签直接关联底模兼容性判断。系统根据标签中的“架构版本”（如SD1.5/SDXL/F.1）和“训练域”（如ACG/realistic/portrait）自动筛选适配的VAE与采样器。缺失任一字段将导致VAE错配，出现色彩溢出或细节坍缩。
1、主类别必须精确到架构，例如：“SDXL”, “F.1”, “SD1.5_anime”——不可简写为“SDXL模型”或“动漫模型”。
2、子属性需标明主导训练数据来源，从平台预设库中选择：ACG（二次元）、realistic（写实）、portrait（人像）、landscape（风景）、product（产品）。
3、触发标识须包含版本号与领域缩写，例如：“sdxl_acg_v2”“f1_portrait_v1”，禁止使用纯数字（如“v123”）或无意义字符串（如“abc123”）。
四、ControlNet模型标签强制规则
ControlNet模型标签决定其与Control Type的绑定关系。系统仅识别标签中明确写出的控制类型关键词（如depth/canny/pose/mlsd），若标签含“线稿”“姿势”等中文泛称，模型将无法被ControlNet模块调用。
1、主类别固定为“ControlNet”，不可写作“控制网”“CN模型”等非标准名称。
2、子属性必须为平台支持的Control Type英文原词，且仅限一个：depth、canny、pose、mlsd、normal、scribble、segment、tile。
3、触发标识需体现控制强度层级，例如：“cn_depth_hard”“cn_pose_soft”，其中“hard/soft”对应重绘幅度0.7–0.9与0.3–0.5区间。
五、批量标注与校验技巧
针对已上传的多个模型，可利用平台内置的标签校验工具快速定位问题。该工具会扫描标签结构完整性、术语合规性及触发词唯一性，并高亮显示违反主类别强制规则、子属性超出预设词库、触发标识重复或为空三类错误。
1、在“我的模型”页面顶部点击“批量管理”，勾选需校验的模型。
2、点击“校验标签”，等待系统返回红标错误项列表。
3、对红标项逐条修改：点击错误模型旁的“编辑”，按前述四类规则重写标签，保存后重新校验直至全部通过。
