Qwen‑Image‑2512（通常简称为 Qwen 2512）是一个大型文生图基础模型，可以通过小型适配器进行微调，从而可靠地学习角色（相似度）、风格或产品/概念。本指南将向您展示如何使用 Ostris AI Toolkit 进行实用的 Qwen Image 2512 LoRA训练，包含稳定的默认设置和常见问题的解决方案。
完成本 Qwen Image 2512 LoRA训练 指南后，您将能够：
- 为 Qwen-Image-2512 上的角色 vs 风格 vs 产品 LoRA 选择正确的默认设置。
- 规划 VRAM 需求并决定何时使用 ARA。
- 构建数据集、描述和触发词，避免常见的失败模式（过拟合/泄漏）。
- 运行简短的 smoke test，然后自信地确定步骤和设置。
本文是 AI Toolkit LoRA 训练系列的一部分。如果您是 Ostris AI Toolkit 新手，请在深入本 Qwen-Image-2512 LoRA训练 指南之前先阅读 AI Toolkit LoRA 训练概述。
目录
- 1. Qwen‑Image‑2512 概述：这个文生图模型能做什么
- 2. 环境选项：在 AI Toolkit 训练界面中工作
- 3. Qwen 2512 LoRA训练 的硬件和 VRAM 要求
- 4. 构建 Qwen Image 2512 LoRA微调 训练数据集
- 5. 分步骤：AI-Toolkit 训练 Qwen Image 2512 LoRA
- 6. 按 VRAM 等级推荐的 Qwen Image 2512 LoRA训练 配置
- 7. 常见的 Qwen-Image-2512 LoRA训练 问题及解决方法
- 8. 训练后使用您的 Qwen‑Image‑2512 LoRA
1. Qwen‑Image‑2512 概述：这个文生图模型能做什么
什么是 Qwen Image 2512 LoRA训练（以及什么是"好"）
在 Qwen Image 2512 LoRA训练 中，您不是在替换基础模型——而是添加一个小型适配器，将其引导向特定的身份、风格或产品概念。
一个强大的 LoRA 具有三个特质：
- 强度：激活时明显改变输出
- 控制：仅在您需要时激活
- 泛化：适用于新提示词，而不仅仅是训练图像
选择您的目标：角色 vs 风格 vs 产品/概念
您的目标决定了 Qwen 2512 LoRA训练 中数据集设计和训练设置的最佳默认值。
角色 / 相似度
- 最适合：特定人物、角色、明星相似度、一致的面部/身份
- 主要风险：身份泄漏（影响其他人）、过度处理的面部、快速过拟合
- 需要：更严格的 timestep 策略、谨慎的步数、通常需要触发词、经常使用 DOP
风格
- 最适合：外观/色调、插画风格、光照风格、纹理语言
- 主要风险：变成"万能滤镜"、失去提示词保真度
- 需要：更多多样性、通常比角色更少的重复次数/图像、触发词可选
产品 / 概念
- 最适合：特定产品（鞋子、瓶子）、带标志的包装、新的对象概念
- 主要风险：形状漂移、材质不一致、几何形状不稳定
- 需要：一致的构图 + 干净的描述；通常推荐使用触发词
如果不确定，先将 Qwen Image 2512 LoRA训练 作为 smoke test（短期运行）启动，然后在看到数据集"印记"速度后确定最终步骤。
2. 环境选项：本地 AI Toolkit vs RunComfy 云端 AI Toolkit
对于 Qwen-Image-2512 LoRA训练，您可以使用与其他 AI Toolkit LoRA 工作流程相同的两种环境：
- 在您自己的 GPU 上运行的本地 AI Toolkit
- 在 RunComfy 上使用大型 GPU（H100 / H200）的云端 AI Toolkit
两种情况下的训练界面、参数和工作流程都是相同的。唯一的区别是 GPU 的位置以及您可用的 VRAM 量。
2.1 本地 AI Toolkit（您自己的 GPU）
从 AI Toolkit GitHub 仓库 安装 AI Toolkit，然后运行 Web UI。如果满足以下条件，本地训练是一个好选择：
- 您已经有 NVIDIA GPU（通常需要 24GB VRAM 或更多才能舒适地进行 1024 训练）
- 您熟悉管理 CUDA、驱动程序、磁盘空间和长时间运行的任务
2.2 RunComfy 云端 AI Toolkit（H100 / H200）
使用 RunComfy 云端 AI Toolkit，AI-Toolkit 训练 Qwen Image 2512 LoRA 完全在浏览器中运行：
- 您无需在本地安装任何东西
- 打开浏览器、登录，直接进入 AI Toolkit 训练界面
- 启动任务时可以选择 H100（80GB） 或 H200（141GB） 等大型 GPU
- 您将获得一个持久化工作区，数据集、配置和检查点会被保存，可以在会话之间重复使用
当您需要以下情况时，此环境对于 Qwen Image 2512 LoRA微调 特别有用：
- 希望在 1024×1024 下更快迭代，无需使用激进的内存技巧
- 想要尝试更大的 LoRA 秩、更多的桶或更大的批量大小
- 不想花时间调试 CUDA 或驱动程序问题
👉 在这里打开：RunComfy 云端 AI Toolkit
3. Qwen 2512 LoRA训练 的硬件和 VRAM 要求
3.1 硬件规划：VRAM 等级以及何时需要 ARA
Qwen 2512 是大模型。对于实用的 Qwen Image 2512 LoRA训练，请按等级思考：
- 24GB VRAM（常见）：可行，但通常需要低位量化 + ARA 才能进行 1024 训练
- 40–48GB VRAM：较少妥协的舒适 1024 训练
- 80GB+ VRAM：最简单的设置、最快的迭代、较少需要优化内存
如果低于 24GB：有时可以使用激进的内存策略在较低分辨率（如 768）下训练，但预计运行速度较慢且稳定性较差。
3.2 ARA 解释：它是什么、何时使用以及如何影响训练
什么是 ARA
ARA（精度恢复适配器）是与极低位量化（通常是 3 位或 4 位）一起使用的恢复机制。基础模型以量化方式运行以节省 VRAM，而 ARA 帮助恢复因量化而损失的精度。
何时为 Qwen 2512 使用 ARA
如果您需要以下任何一项，请使用 ARA：
- 在 24GB 上以 1024×1024 训练 Qwen 2512
- 减少 OOM 问题
- 无需大量 CPU 卸载即可稳定收敛
ARA 如何影响训练（权衡）
优点
- 使消费级 GPU 上的 1024 训练成为可能
- 与"简单低位"量化相比，通常能提高稳定性
缺点
- 增加了额外的可变因素（工具/版本兼容性很重要）
- 如果量化失败，可能需要调整量化模式或更新环境
Qwen Image 2512 LoRA训练 实用指南
- 在 24GB 上从 3 位 ARA 开始
- 如果出现量化错误，尝试 4 位 ARA
- 如果问题仍然存在，暂时使用更高精度的量化模式来验证管道的其余部分，然后返回 ARA
4. 构建 Qwen Image 2512 LoRA微调 训练数据集
4.1 数据集设计：每个目标需要收集什么
大多数 Qwen Image 2512 LoRA训练 失败实际上是伪装的数据集失败。
通用规则
- 将所有内容转换为 RGB（避免灰度/CMYK）
- 删除损坏的图像
- 避免几乎重复的图像，除非您有意希望该镜头占主导地位
- 尽可能保持分辨率一致（或使用少量桶）
角色数据集（15–50 张图像）
目标：
- 30–60% 特写 / 头肩照
- 30–50% 中景
- 10–20% 全身（可选，但有助于服装/姿势泛化）
保持光照和背景足够多样化，使"身份"成为一致的信号。
风格数据集（30–200 张图像）
目标：
- 广泛的主题多样性（人物、物体、环境）
- 多样的构图和颜色情况
- 一致的风格线索（笔触、阴影、调色板、胶片颗粒等）
在 Qwen-Image-2512 LoRA训练 中，当风格是唯一一致的因素时，风格 LoRA 的泛化效果更好。
产品 / 概念数据集（20–80 张图像）
目标：
- 一致的角度和构图（正面/侧面/45度）
- 画面中产品比例一致（避免极端的缩放差异）
- 如果材质重要，多种照明条件（哑光 vs 光泽）
- 干净的背景在早期有帮助（您可以稍后添加复杂场景）
4.2 描述和触发词：角色 / 风格 / 产品 模板
您可以使用仅触发词或简短一致的描述来训练 Qwen 2512。
4.2.1 关键描述规则
如果某个特征出现在许多训练图像中，但您从未在描述中提及它，模型可能会学习到触发词隐含地意味着该特征——因此每次使用触发词时都会尝试重现它。
这是 LoRA 激活时"强制"某种发型、服装、背景颜色或相机风格的常见原因。
4.2.2 角色描述模板
推荐：使用触发词。保持描述简短。
- 仅触发词：
[trigger] - 简短描述：
portrait photo of [trigger], studio lighting, sharp focusphoto of [trigger], natural skin texture, realistic
避免过度描述面部部位（眼睛、鼻子等）。让模型从图像中学习身份。
4.2.3 风格描述模板
触发词是可选的。如果使用，您将获得一个开/关开关。
- 无触发词，简短描述：
in a watercolor illustration style, soft edges, pastel palette - 触发词 + 简短描述：
[trigger], watercolor illustration, pastel palette, soft edges
对于风格，描述应该描述风格属性，而不是场景内容。
4.2.4 产品/概念描述模板
强烈建议使用触发词以进行控制。
- 简单：
product photo of [trigger], clean background, studio lighting - 如果产品有定义性特征：
product photo of [trigger], transparent bottle, blue label, studio lighting
避免长描述。对于产品，一致的措辞可以提高几何稳定性。
5. 分步骤：AI-Toolkit 训练 Qwen Image 2512 LoRA
本节遵循与 AI Toolkit 训练界面相同的流程。首先创建数据集，然后逐个面板配置新任务。
5.1 步骤 0 – 选择您的目标（角色 vs 风格 vs 产品）
在接触设置之前，决定您要训练什么。这决定了描述、步骤和正则化的最佳默认值。
- 角色 / 相似度：最强的身份一致性（面部/外观）。泄漏和快速过拟合的风险最高。
- 风格：一致的视觉外观（调色板/纹理/照明）。变成"万能滤镜"的风险最高。
- 产品 / 概念：稳定的对象身份和几何形状。形状/材质漂移的风险最高。
如果不确定，先运行简短的 smoke test（见下面的 TRAINING + SAMPLE），然后在看到数据集"印记"速度后确定步骤。
5.2 步骤 1 – 在 AI Toolkit 中创建数据集
在 AI Toolkit 界面中，打开 Datasets 标签。
创建至少一个数据集（示例名称）：
my_dataset_2512
将您的图像上传到此数据集。
数据集质量规则（所有目标）
- 将所有内容转换为 RGB（避免灰度/CMYK）。
- 删除损坏的文件。
- 避免几乎重复的图像，除非您有意希望该外观/姿势占主导地位。
建议的数据集大小
- 角色：15–50 张图像
- 风格：30–200 张图像（更多多样性有帮助）
- 产品：20–80 张图像（一致的构图有帮助）
5.3 步骤 2 – 创建新任务
打开 New Job 标签。按照显示顺序配置每个面板。
5.3.1 JOB 面板 – Training Name, GPU ID, Trigger Word
- Training Name
选择一个您以后能识别的清晰名称（如
qwen_2512_character_v1、qwen_2512_style_v1、qwen_2512_product_v1）。 - GPU ID – 在本地安装中，选择您机器上的 GPU。在 RunComfy 云端 AI Toolkit 中，将
GPU ID保留为默认值。实际的机器类型（H100 / H200）在您从 Training Queue 启动任务时稍后选择。 - Trigger Word
根据您的目标推荐使用：
- 角色：强烈推荐（提供干净的开/关控制并帮助防止泄漏）。
- 风格：可选（如果您想要"可调用风格"而不是始终开启，请使用）。
- 产品：强烈推荐（帮助保持学习的概念可控）。
如果使用触发词，您的描述可以包含像 [trigger] 这样的占位符，并遵循一致的模板（见下文）。
5.3.2 MODEL 面板 – Model Architecture, Name or Path, Options
- Model Architecture
选择
Qwen-Image-2512。 - Name or Path
使用
Qwen/Qwen-Image-2512。在大多数 AI Toolkit 版本中，选择Qwen‑Image‑2512将自动填充此值。如果覆盖，请使用 Hugging Face 仓库 ID 格式：
org-or-user/model-name（可选org-or-user/model-name@revision）。 - Options
- Low VRAM：在 24GB GPU 上进行 Qwen Image 2512 LoRA训练 时打开。
- Layer Offloading：如果在使用量化、较低秩和较少桶后仍然出现 OOM，将此视为最后手段。
卸载顺序（最佳实践）：
1) ARA + Low VRAM
2) 降低秩
3) 减少分辨率桶
4) 降低采样频率/分辨率
5) 然后启用 Layer Offloading
5.3.3 QUANTIZATION 面板 – Transformer, Text Encoder
这是大多数 24GB Qwen Image 2512 LoRA训练 运行成功或失败的地方。
- 24GB 基准线（推荐用于 1024 训练）
- 量化 Transformer 并使用 ARA（先 3 位，需要时 4 位）。
- 如果需要额外的 VRAM 余量，将 Text Encoder 量化为 float8。
- 大 VRAM GPU
如果训练稳定且足够快，您可以减少量化或禁用它以简化。
如果量化失败（dtype/quantize 错误），首先将其视为工具兼容性问题：
- 在 3 位 ↔ 4 位 ARA 之间切换，
- 更新 AI Toolkit/依赖项，
- 或暂时使用更高精度模式来验证任务设置的其余部分，然后返回 ARA。
5.3.4 TARGET 面板 – Target Type, Linear Rank
- Target Type：选择
LoRA。 - Linear Rank
按目标推荐的起点：
- 角色：32
- 风格：16–32
- 产品：32
一般规则：
- 如果 OOM → 在触碰其他一切之前先降低秩。
- 如果欠拟合 → 先调整 timesteps/steps/LR，然后考虑增加秩。
- 如果过拟合 → 减少重复/步骤，降低秩，增加多样性，考虑 DOP。
5.3.5 SAVE 面板 – Data Type, Save Every, Max Step Saves to Keep
- Data Type：
BF16（稳定的默认值）。 - Save Every：
250（良好的检查点频率）。 - Max Step Saves to Keep：
4（控制磁盘使用量）。
5.3.6 TRAINING 面板 – 核心超参数
这些是大多数运行开始时的默认值：
- Batch Size：1
- Gradient Accumulation：1
- Optimizer：AdamW8Bit
- Learning Rate：0.0001
- Weight Decay：0.0001
- Timestep Type：Weighted
- Timestep Bias：Balanced
- Loss Type：Mean Squared Error
- Use EMA：关闭（对于 Qwen 2512 LoRA）
按目标的 Timestep Type 指南
- 角色：Weighted 是安全的基准线；如果相似度没有锁定或看起来不一致，尝试更友好的身份 timestep 设置（通常能改善角色印记）。
- 风格：Weighted 通常可以；在增加步骤之前增加多样性。
- 产品：Weighted 是稳定的基准线；如果几何形状漂移，首先减少重复或收紧描述/触发词。
步骤：角色 vs 风格 vs 产品 的推荐值
步骤不应该是单一的魔法数字。更可靠的方法是每张图像的重复次数：
- 重复次数 ≈ (steps × batch_size × grad_accum) ÷ num_images
- 当 batch_size=1 且 grad_accum=1 时：steps ≈ 重复次数 × num_images
如果将 gradient accumulation 增加到 2 或 4，请相应减少步骤。
角色（相似度）每张图像的重复次数
- Smoke test：30–50
- 典型最佳点：50–90
- 高相似度推进：90–120（注意泄漏）
示例（batch=1，accum=1）：
| 图像 | 30–50 重复 | 50–90 重复 | 90–120 重复 |
|---|---|---|---|
| 15 | 450–750 | 750–1350 | 1350–1800 |
| 25 | 750–1250 | 1250–2250 | 2250–3000 |
| 40 | 1200–2000 | 2000–3600 | 3600–4800 |
风格每张图像的重复次数
- Smoke test：15–30
- 典型最佳点：25–60
- 上限：60–80（仅适用于大型、多样化的数据集）
示例（batch=1，accum=1）：
| 图像 | 15–30 重复 | 25–60 重复 | 60–80 重复 |
|---|---|---|---|
| 30 | 450–900 | 750–1800 | 1800–2400 |
| 100 | 1500–3000 | 2500–6000 | 6000–8000 |
产品 / 概念每张图像的重复次数
- Smoke test：20–40
- 典型最佳点：30–70
- 高保真度推进：70–90（仅当形状/材质仍然欠拟合时）
示例（batch=1，accum=1）：
| 图像 | 20–40 重复 | 30–70 重复 | 70–90 重复 |
|---|---|---|---|
| 20 | 400–800 | 600–1400 | 1400–1800 |
| 50 | 1000–2000 | 1500–3500 | 3500–4500 |
| 80 | 1600–3200 | 2400–5600 | 5600–7200 |
Text Encoder 优化（TRAINING 右侧）
- Unload TE
仅用于仅使用触发词的工作流程，您希望最小化 VRAM 使用且不依赖每张图像的描述。
- Cache Text Embeddings
仅在以下情况下启用：
- 描述是静态的，
- caption dropout 关闭，
- DOP 关闭。
如果您使用 caption dropout 或 DOP，请保持关闭。
正则化（TRAINING 右侧）
Differential Output Preservation (DOP) 可以帮助防止泄漏。
- DOP 的作用
鼓励 LoRA 表现得像一个受控的增量：
- 当触发词存在时有强烈效果，
- 当触发词不存在时效果最小。
- 何时启用 DOP
- 角色：通常是（特别是为了干净的触发词开/关行为）。
- 风格：可选（如果您想要可调用的风格，请使用）。
- 产品：如果产品身份泄漏到所有内容中，推荐使用。
Qwen Image 2512 LoRA训练 的关键兼容性规则
如果 DOP 开启，不要缓存 text embeddings。
Blank Prompt Preservation
除非您有特定原因要保留空提示词的行为，否则保持关闭。
5.3.7 ADVANCED 面板 – 速度和稳定性选项
- Do Differential Guidance
增加"学习信号"的可选旋钮。如果启用，从保守值（中间值）开始，仅在学习感觉太慢时增加。
- Latent caching
在 DATASETS 部分，您可以启用 Cache Latents（如果您有足够的磁盘空间并希望更快地迭代，推荐用于速度）。
5.3.8 DATASETS 面板 – Target Dataset, Default Caption, Settings, Resolutions
在 Dataset 1 内：
- Target Dataset
选择您上传的数据集（如
my_dataset_2512）。 - Default Caption
根据您的描述策略选择：
- 仅触发词：保持为空或仅
[trigger] - 简短描述：为整个数据集使用一个一致的模板
描述模板：
- 角色：
portrait photo of [trigger], studio lighting, sharp focus - 风格：
[trigger], watercolor illustration, pastel palette, soft edges（触发词可选） - 产品：
product photo of [trigger], clean background, studio lighting
关键描述规则
如果某个特征出现在许多训练图像中，但您从未在描述中提及它，模型可能会学习到触发词隐含地意味着该特征——因此每次使用触发词时都会尝试重现它。
- Caption Dropout Rate
当您不缓存 text embeddings 时，
0.05是常见的起点。如果启用 text embedding 缓存，请将 dropout 设置为
0。 - Settings
- Cache Latents：推荐用于速度（特别是在大型数据集上）。
- Is Regularization：仅当此数据集是正则化数据集时使用。
- Flip X / Flip Y：默认关闭。仅当镜像翻转对您的主体/产品安全时启用（注意：翻转可能会破坏文字/标志）。
- Resolutions
从简单开始：
- 角色：仅 1024（干净的印记），需要时稍后添加 768
- 风格：如果数据集混合尺寸，则为 768 + 1024
- 产品：早期仅 1024，形状稳定后添加另一个桶
5.3.9 SAMPLE 面板 – 训练预览
采样是 Qwen Image 2512 LoRA训练 的早期预警系统。
推荐默认值：
- Sample Every：250
- Sampler：FlowMatch（匹配训练）
- Guidance Scale：4
- Sample Steps：25
- Width/Height：匹配您的主要训练桶（通常是 1024×1024）
- Seed：42
- Walk Seed：可选（预览中更多多样性）
早期停止信号
- 角色：相似度达到峰值然后过度处理；身份泄漏开始；提示词保真度下降。
- 风格：变成"万能滤镜"；出现重复纹理；提示词不再被尊重。
- 产品：改善后几何形状变形；标签/标志变得过于强势；材质退化。
5.4 步骤 3 – 启动训练并监控
配置任务后，转到 Training Queue，选择您的任务并开始训练。
观察两件事：
- VRAM 使用情况（特别是 24GB GPU）
- 样本图像（它们告诉您何时停止以及哪个检查点最好）
大多数用户通过从采样中选择最佳检查点（通常更早）而不是总是完成最大步骤来获得更好的 Qwen 2512 LoRA训练 结果。
6. 按 VRAM 等级推荐的 Qwen Image 2512 LoRA训练 配置
Qwen 2512 是大模型。对于实用的 Qwen-Image-2512 LoRA训练，请按等级思考：
- 24GB VRAM（常见）：可行，但通常需要低位量化 + ARA 才能进行 1024 训练
- 40–48GB VRAM：较少妥协的舒适 1024 训练
- 80GB+ VRAM：最简单的设置、最快的迭代、较少需要优化内存
如果低于 24GB：有时可以使用激进的内存策略在较低分辨率（如 768）下训练，但预计运行速度较慢且稳定性较差。
如果您需要以下任何一项，请使用 ARA：
- 在 24GB 上以 1024×1024 训练 Qwen 2512
- 减少 OOM 问题
- 无需大量 CPU 卸载即可稳定收敛
7. 常见的 Qwen-Image-2512 LoRA训练 问题及解决方法
7.1 启动时量化失败（Qwen-Image-2512 上的 ARA / dtype 不匹配）
症状
- 训练在启动期间立即停止。
- 出现"Failed to quantize … Expected dtype …"等错误。
原因
- 选定的 ARA 或量化模式与当前的 AI Toolkit 版本或环境不完全兼容。
修复（最快顺序）
- 将 AI Toolkit 和依赖项更新到已知支持 Qwen-Image-2512 的版本。
- 切换 ARA 模式：
- 如果 3 位 ARA 失败 → 尝试 4 位 ARA。
- 如果 4 位 ARA 失败 → 尝试 3 位 ARA。
- 暂时使用更高精度的量化模式来确认训练设置的其余部分正常工作，然后切换回 ARA。
7.2 当 batch size > 1 时角色身份变得通用
症状
- 早期样本看起来很有希望，但最终的 LoRA 感觉"平均化"了。
- 角色不再看起来像特定的人。
原因
- 较大的批次可能会鼓励 Qwen 2512 LoRA训练 中角色的过度泛化。
修复
- 优先选择 Batch Size = 1 和 Gradient Accumulation = 1。
- 如果需要更大的有效批次，增加 Gradient Accumulation 而不是 Batch Size，并密切监控样本。
7.3 相似度从未"锁定"（错误的 timestep 行为）
症状
- 服装、姿势或氛围是正确的，但面部或身份不一致。
- 结果在不同提示词之间差异很大。
原因
- 对于逼真的角色，Qwen-Image-2512 通常对 sigmoid 类型的 timestep 行为比加权 timesteps 响应更好。
修复
- 对于角色（通常也包括产品）LoRA，将 Timestep Type 切换为
sigmoid。 - 尽早评估样本；不要等到训练结束。
7.4 面部在后期检查点变得"焦糊"或蜡状
症状
- 一个检查点看起来很棒，但后面的检查点看起来过度锐化、塑料感或不稳定。
- 身份泄漏快速增加。
原因
- Qwen Image 2512 LoRA训练 中的角色 LoRA 一旦超过大约 ~100 次每张图像的重复，可能会快速退化。
修复
- 选择一个较早的检查点（通常是最佳解决方案）。
- 减少总重复/步骤数并保持在推荐范围内。
- 如果需要，在增加步骤之前降低 LoRA 秩或添加更多数据集多样性。
7.5 风格 LoRA 不一致或表现得像"万能滤镜"
症状
- 有时风格出现，有时不出现。
- 或者它总是覆盖提示词内容。
原因
- 风格 LoRA 通常需要比角色 LoRA 更多的数据集广度和更长的总体训练时间。
修复
- 添加更多多样化的风格示例（人物、物体、环境）。
- 保持每张图像的重复次数合理，通过更多图像而不是极端重复来增加总信号。
- 经常采样以避免风格变成粗暴的全局滤镜。
8. 训练后使用您的 Qwen 2512 LoRA
训练完成后，您可以通过两种简单方式使用您的 Qwen 2512 LoRA：
- Model playground – 打开 Qwen‑Image‑2512 LoRA playground 并粘贴您训练的 LoRA 的 URL，快速查看它在基础模型上的表现。
- ComfyUI 工作流程 – 启动一个 ComfyUI 实例，构建您自己的工作流程或加载一个像 Qwen Image 2512 这样的工作流程，添加一个 LoRA 加载器节点并放入您的 LoRA，然后微调 LoRA 权重和其他设置以进行更详细的控制。
在推理中测试您的 Qwen 2512 LoRA
角色测试
- 特写肖像提示词
- 中景提示词
- 全身提示词
风格测试
- 多个主体类别（人物/物体/环境）
产品测试
- 干净的工作室提示词 + 一个复杂场景提示词
更多 AI Toolkit LoRA 训练指南
Ready to start training?