在liblibai训练lora需严格遵循四步数据准备：20–50张同主题正方形图；裁为768×768或1024×1024；文件名用半角数字+下划线+英文词；标签用半角逗号分隔并可加权。
☞☞☞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☜☜☜
想在LiblibAI上训练出真正能用的LoRA模型，却卡在数据上传后提示“标签格式错误”或训练中途loss突然飙升到inf——这通常不是平台故障，而是图像命名含中文标点、分辨率没对齐底模要求、或者关键参数组合踩了隐性雷区。
准备训练数据集
第一步：收集20–50张同主题、同风格的正方形图片，比如全都是水墨人物肖像，不能混入现代插画或风景照。数量少于20张时，后续必须调高Repeat值补足特征学习强度。
第二步：用专业工具（如Photoshop或XnConvert）将所有图片裁剪为严格正方形，分辨率只能选768×768或1024×1024——【非等比拉伸会导致LoRA输出形变，且平台不校验长宽比，错误会直接进入训练流程】。
第三步：重命名文件，格式为半角数字+下划线+英文描述词，例如01_ink_wash_scholar.jpg。禁止出现空格、中文括号、顿号、冒号，连“01-水墨人物.jpg”这种带短横线的都会被判定为非法文件名。
第四步：打标时用英文逗号分隔关键词，可对核心词加权，如(ink_wash:1.3), scholar, soft_brush, white_space。所有标点必须是半角，全角逗号会让整个标签解析失败。
选择底模与基础参数
方法一：进“赛博丹炉”→点击左侧“训练LoRA”→在底模列表中按用途选：
人像/ACG类选SD1.5；
写实场景、建筑、产品图选SDXL；
PVC、金属、玻璃等材质表现选Foundation1.0。
方法二：简易参数面板中，“单次张数”保持默认15，“循环轮次”设为8，“模型效果预览提示词”必须包含你设定的触发词，例如ink_wash, scholar figure ——【漏掉触发词会导致训练完成也无法调用】。
关闭“混合精度训练”开关。这一步不能跳过，LiblibAI云端环境启用该选项极易引发NaN Loss，训练会在第3–5轮突然中断，日志里只显示“loss=nan”，无其他报错。
调整高级参数止血
第一步：点击“高级参数”展开面板。
第二步：设置Repeat为5–8（素材≤20张时取7或8），Epoch先试5和8两个值，不要直接设12——轮次过多在小数据集上反而诱发过拟合，生成图细节崩坏。
第三步：学习率填3e-4（风格类）或4e-4（角色类），调度策略必须选“cosine with warmup”，固定学习率会导致前期震荡剧烈、后期收敛极慢。
第四步：Batch Size × 梯度累积 = 8–12。若平台分配A10显卡（24GB），Batch Size设2，梯度累积设4；若为V100（32GB），Batch Size设3，梯度累积设3。这个乘积低于8模型学不牢，高于12显存溢出概率陡增。
上传与启动训练
把处理好的图片拖进右侧“图片/数据处理”区域，系统自动执行裁剪与标签解析。看到每张图下方出现绿色对勾且标签文字清晰可读，才算通过前置校验。
检查左侧面板所有参数无红色警告图标，特别确认“触发词”已填入预览提示词框、“混合精度”处于关闭状态。
点击“开始训练”，页面跳转至实时监控页，loss曲线应在前100步内从2.x快速跌至1.x，200步后稳定在0.25–0.4之间波动——此时可离开，无需守着进度条。
