LoRA权重仅在推理阶段作为缩放系数生效,训练阶段需调校Repeat、学习率与调度策略、Batch Size×梯度累积三类参数;触发词必须前置无空格;有效权重区间需通过滑块测试确定。
☞☞☞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☜☜☜

在LiblibAI上训练LoRA时,权重不是训练中可调的参数,而是训练完成后用于控制风格强度的加载参数;训练阶段真正需要校准的是学习率、Repeat、Epoch等影响LoRA特征提取深度的变量,权重值本身在训练过程中并不存在——它只在推理阶段生效。
训练前必须确认的权重相关前提
训练前你要明确:LoRA权重在训练阶段不参与计算也不可设置,它仅是模型产出后被调用时的缩放系数。所有关于“训练时设权重0.8”的说法都是混淆了训练与推理两个阶段。你真正要配置的是让LoRA能被正确触发、稳定收敛、特征不偏移的底层参数。
进入“赛博丹炉”→点击左侧“训练LoRA”→在底模选择后,立即检查【模型效果预览提示词】字段是否已填入官方指定的触发词,且该词位于最前端、无空格、无中文标点——触发词前置是LoRA能否被识别的唯一开关,漏掉或错位会导致训练完成也无法调用,后续所有权重调整都失去意义。
训练中实际可调的三类核心参数
这三类参数共同决定LoRA最终输出的“有效权重区间”,即训练后你在生图界面拖动的那个滑块能起效的合理范围。
方法一:Repeat(重复采样次数)
Repeat控制单张图被反复学习的频次,数值越高,LoRA对样本特征的抓取越强,相当于为后续推理阶段的权重放大埋下基础。素材量≤20张时设为7~8;30张左右设为5~6;超过40张建议压到3~4,否则易过拟合导致生成图细节崩坏、边缘锯齿。
方法二:学习率与调度策略
学习率决定每步更新的幅度,过高会震荡发散,过低则收敛缓慢。风格类LoRA填3e-4,角色类填4e-4;调度策略必须选“cosine with warmup”——固定学习率会导致loss在第2~4轮剧烈跳变,90%概率触发NaN中断。
方法三:Batch Size × 梯度累积
该乘积决定每轮有效批次大小,直接影响LoRA特征向量的稳定性。A10卡设Batch Size=2、梯度累积=4(乘积=8);V100卡可设Batch Size=4、梯度累积=3(乘积=12)。乘积低于8时LoRA特征稀薄,推理阶段即使把权重拉到1.0也看不出风格变化;高于12则容易压出伪影,权重稍高就手部畸变。
训练后验证权重生效边界的实操步骤
第一步:训练完成并发布后,进入“在线生图”界面→点击左上角“LoRA”选项卡→启用刚发布的模型。
第二步:在正向提示词最前端粘贴其详情页标注的触发词,紧贴左边界,后接英文逗号,例如:ink_wash_style, a scholar in misty mountains
第三步:将权重滑块从0.4开始拖动,每次+0.1生成一张图,观察风格浓度变化节点——若0.6时刚显笔触、0.8时结构稳定、1.0时边缘撕裂,则说明该LoRA的有效权重区间为0.6~0.8。
第四步:若在0.4就出现严重畸变或颜色溢出,说明训练阶段Repeat设得过高或学习率超限,需重新训练并下调Repeat值或改用3e-4学习率。











