要训练出细节稳定、风格不漂移的lora模型，必须严格进行物理对齐（三图左眉峰至内眼角距离偏差≤8px）、统一裁剪为768×768或1024×1024正方形、文件名与标签禁用全角字符及冗余描述，并按图量设置repeat与epoch，学习率选3e-4/4e-4并启用cosine with warmup调度。
☞☞☞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上训练出细节稳定、风格不漂移的LoRA模型，却反复遇到loss震荡、生成图五官错位或纹理崩坏——问题大概率卡在数据源头：原始图集未做物理对齐、背景干扰未清除、标签权重失衡，导致AI从第一步就学歪。
三张人物图必须严格对齐同一人脸关键点
第一步：用Photoshop或Photopea打开三张训练图，选「标尺工具」测量左眉峰至内眼角像素距离，记下数值（例如142px）。
第二步：对另两张图执行同样测量；若任意一张偏差＞8px，必须用「自由变换→扭曲」手动校准，直到三张图该距离完全一致——【不这样做，AI会把不同比例的五官当成三个独立角色学，后续生成必然脸型漂移】。
第三步：导出为512×512 PNG，背景必须纯白或透明；任何灰阶阴影都会让“面部对齐增强”模块失效，直接跳过关键校准步骤。
裁剪与分辨率必须匹配底模神经感受野
所有图片必须裁成正方形，分辨率只能是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】。
人像/ACG类LoRA一律用768×768；写实场景、建筑、产品图才用1024×1024。别用1280×1280或800×800，这些尺寸超出SD1.5/SDXL底层卷积核的训练覆盖范围，特征提取会漏掉边缘细节。
用XnConvert批量处理时，务必关闭“自动适配”选项，手动锁定宽高值并勾选“保持比例”，否则软件默认填充黑边，AI会把黑边当背景特征学进去。
文件命名与标签必须零全角字符+人工精简
方法一：文件名格式强制为半角数字+下划线+英文描述词，例如01_zhaoxiaoming_smile.jpg；禁止出现空格、“-”、“（”、“。”、中文括号、全角逗号——【含任一非法字符，系统静默跳过该文件，你根本看不到报错提示】。
方法二：每张图配同名.txt标签文件，内容只留触发词+1girl/1boy，例如zhaoxiaoming, 1girl；删掉所有形容词、光照词、场景词（如“studio lighting, soft smile”必须砍掉）。
方法三：可加权但必须克制，(zhaoxiaoming:1.2)可用，(zhaoxiaoming:1.6)易过拟合；权重超过1.5后，LoRA会死盯这张图的瑕疵（比如一颗痣），生成时强制复刻，而非泛化。
高级参数必须按图量动态反推Repeat与Epoch
第一步：统计你最终上传成功的图数（不是你拍的张数，是平台“裁剪打标”页显示的绿色对勾数量）。
第二步：按数量设Repeat值：20张→Repeat=8；30张→Repeat=6；45张→Repeat=5；Repeat本质是数据增强强度，数值越高，小数据集越不容易欠拟合。
第三步：Epoch必须试两个值：先跑Epoch=5版本，再跑Epoch=8版本；不要直接设12——轮次过多在小数据集上诱发过拟合，生成图会出现“蜡像脸”或服饰纹理崩成噪点。
第四步：学习率填3e-4（风格类）或4e-4（人物类），调度策略必须选“cosine with warmup”；固定学习率会让loss前100步剧烈震荡，第300步后收敛极慢，浪费积分还出不了图。
