Qwen‑Image‑Edit‑2509 是一个 20B 参数的多图编辑模型，能够同时处理最多三张图片（目标图、控制图和设计图），实现精准的几何感知编辑。本指南将手把手教你完成 Qwen Edit 2509 LoRA训练。学完后，你将能够：

• 使用 AI Toolkit by Ostris 完成 Qwen Edit 2509 LoRA训练，实现可靠的定向编辑任务（比如把任意设计图印到衬衫上）。
• 本地运行整个 Qwen-Edit-2509 LoRA训练流程（即使 VRAM < 10GB 也能通过层卸载实现），或者在浏览器中使用 RunComfy 云端 AI Toolkit（H100 / H200，80GB / 141GB VRAM）。
• 深入理解本模型各项关键参数的作用：Match Target Res 与 Low VRAM 选项、Transformer/Text Encoder 量化、Layer Offloading（层卸载）、Cache Text Embeddings、Differential Output Preservation（差分输出保留）、Differential Guidance（差分引导），以及 Batch Size、Steps、LoRA Rank 等核心超参数。
• 自信地为自己的编辑 LoRA 调参（补光、换装、皮肤、物体替换……）。

如果你想用更新的检查点，追求更强的"一致性优先"编辑效果，请参阅 Qwen 2511 LoRA 训练教程。

本文属于 AI Toolkit LoRA 训练系列。如果你是 Ostris AI Toolkit 新手，建议先阅读 AI Toolkit LoRA 训练概述，再深入本指南。

---

目录

• 1. Qwen‑Image‑Edit‑2509 概述：这个编辑模型能做什么
• 2. 环境选择：本地 AI Toolkit vs RunComfy 云端 AI Toolkit
• 3. Qwen Edit 2509 LoRA训练的硬件与 VRAM 要求
• 4. 构建 Qwen Image Edit 2509 LoRA训练数据集
• 5. 分步教程：在 AI Toolkit 中进行 Qwen Edit 2509 LoRA训练
• 6. 按 VRAM 级别推荐的 Qwen Edit 2509 LoRA训练配置
• 7. Qwen Edit 2509 LoRA训练常见问题及解决方法
• 8. 训练完成后如何使用你的 Qwen Edit 2509 LoRA

1. Qwen‑Image‑Edit‑2509 概述：这个编辑模型能做什么

Qwen‑Image‑Edit‑2509（常简称 Qwen Edit 2509 或 Qwen Image Edit Plus）是 Qwen‑Image‑Edit 模型的 2025 年 9 月版本，基于 20B Qwen‑Image 基座构建。官方权重可在 Hugging Face 的 Qwen‑Image‑Edit‑2509 模型页面 获取。

相比第一版 Qwen‑Image‑Edit，2509 版主要新增了：

• 多图编辑 – 模型可同时接收 1–3 张输入图片（例如人物 + 服装 + 姿势，或源照片 + 光照参考）。
• 图像拼接机制 – 官方 pipeline 会将每张输入图片缩放到约 1 百万像素后一起处理。即使你提供多张控制图，模型看到的像素总量也是固定的。
• 更强的文字和细节编辑 – 得益于 Qwen2.5-VL 和专用 VAE，对小文字、logo 和精细细节的处理能力大幅提升。

目前社区已有的典型 Qwen Image Edit 2509 LoRA训练应用场景包括：

• 换装 / 服装试穿 – Qwen‑Image‑Edit‑2509‑Clothing‑Tryon‑LoRA
• 补光 / 光照优化 – Qwen‑Image‑Edit‑2509‑Relight‑LoRA
• 多效果风格与细节融合 – Qwen‑Image‑Edit‑2509‑Multi‑Effect‑Fusion‑LoRA
• 轻度修复 + 白底图转完整场景 – Qwen‑Image‑Edit‑2509‑White‑Film‑To‑Rendering‑LoRA
• 真人转动漫风格 – Qwen‑Image‑Edit‑2509‑Anime‑Stylization‑LoRA
• 浪漫 / 亲吻姿势编辑 – Qwen‑Image‑Edit‑2509‑Passionate‑Kiss‑LoRA
• 夸张肖像 / 漫画风格 – Qwen‑Image‑Edit‑2509‑Caricature‑LoRA

Qwen‑Image‑Edit 和 Qwen‑Image 基本共用同一个基座。社区测试表明，在 Qwen‑Image 上训练的 LoRA 可兼容 Qwen‑Image‑Edit / 2509，反之亦然——因为适配器挂载在同一个 backbone 上。

---

2. 环境选择：本地 AI Toolkit vs RunComfy 云端 AI Toolkit

2.1 本地 AI Toolkit（用你自己的 GPU）

从 AI Toolkit GitHub 仓库 安装 AI Toolkit，然后启动 Web UI。如果你已有 24GB+ 的 NVIDIA 显卡、熟悉 CUDA / 驱动 / 磁盘空间管理，并且不介意让训练跑上一整晚，本地训练是个不错的选择。

---

2.2 RunComfy 云端 AI Toolkit（H100 / H200）

使用 RunComfy 云端 AI Toolkit，AI Toolkit 完全在云端运行：

• 无需安装任何东西 – 打开浏览器、登录即可进入 AI Toolkit UI。
• 可以使用 H100（80GB） 和 H200（141GB） 等大显存 GPU，轻松应对 qwen-image-edit-2509 lora 训练这类重型任务。
• 拥有持久化工作空间 – 数据集、配置和历史任务都保存在账户中，方便随时回来继续迭代。

👉 点击这里打开：RunComfy 云端 AI Toolkit

本教程后续内容在两种环境中完全相同，唯一区别只是 GPU 所在位置不同。

---

3. Qwen Edit 2509 LoRA训练的硬件与 VRAM 要求

Qwen‑Image‑Edit‑2509 是一个大模型：

• 基座模型约 20B 参数。
• 编辑 pipeline 可一次性将 最多 3 × ~1MP 图片 送入 transformer。

在官方 32GB 示例配置（train_lora_qwen_image_edit_2509_32gb.yaml）下，用户反馈的 VRAM 占用大约是：

• 1024×1024 训练需要 27–28.5GB VRAM。
• 768×768 训练需要 25–26GB VRAM – 24GB 显卡依然塞不下。

这就是官方示例明确标注为 32GB 配置的原因。不过通过 3-bit ARA 量化 + Low VRAM 模式 + Layer Offloading（RAMTorch），Ostris 演示了可以把 Qwen Edit 2509 LoRA训练的 GPU VRAM 压到 ~8–9GB，代价是需要高 CPU 内存（60GB+）且训练速度会变慢。

在 4090 上开启完整卸载，Ostris 的示例约占 9GB VRAM 和约 64GB CPU 内存，跑完约 5k 步需要大约一整天。在 5090 上不卸载，迭代速度大约能快 2–3 倍。

---

4. 构建 Qwen Edit 2509 LoRA训练数据集

我们将参照 Ostris 的"衬衫设计"示例并加以泛化，方便你适配到其他任务。

4.1 三个逻辑图像流

对于服装设计 LoRA，模型要学会的是：给定一个穿着空白衬衫的人和一张设计图，把这个设计印到他们的衬衫上，同时保留姿势、光照和褶皱。

• 目标图像（期望结果） – 一个穿着已印好设计衬衫的人。这些就是你希望模型复现的输出。
• 控制图像（空白衬衫，同一人） – 主体和姿势与目标相同，但没有设计（或穿着纯色衬衫）。这些用于控制几何、褶皱、光照和遮挡（手臂、头发、项链等）。
• 设计图像 – 中性背景上的设计本身（灰色、黑色或白色）。可以包含几个变体（不同背景颜色）以提高鲁棒性。

Ostris 的示例中，大约 26 组三元组（人物 + 空白衬衫 + 设计）就足以获得非常强的效果——二维码和复杂 logo 都能正确映射到布料上。对于生产级 LoRA，从 20–60 组精心挑选的三元组（目标 + 控制 + 设计）入手是个不错的基准。

---

4.2 分辨率与宽高比

Qwen‑Image‑Edit‑2509：

• 内部会把每张输入缩放到约 1MP（例如 1024×1024 或等效分辨率）。
• 训练图像为正方形或接近正方形（我们这里用 1024×1024），或保持一致的宽高比（如全部 3:4）时效果最佳。

本教程假设使用正方形图像，分桶会比较简单：

• 目标图、控制图和设计图都约为 1024×1024。AI Toolkit 会根据你在 DATASETS 面板中启用的内容分到 512 / 768 / 1024 桶。

---

4.3 描述文本

对于这个服装设计 LoRA，我们不用逐图描述，只在数据集级别设置一个默认描述：put this design on their shirt

这样做之所以有效，是因为：

• 语义简单，所有样本都一样。
• 控制图和设计图本身已携带了大部分关键信息。

对于更复杂的编辑 LoRA（如"像工作室边缘光那样补光"vs"金色时刻"），你应该使用逐图描述来说明期望的编辑效果。

---

5. 分步教程：在 AI Toolkit 中进行 Qwen Edit 2509 LoRA训练

5.1 第 0 步 – 选择在哪里运行 AI Toolkit

本教程中你可以通过两种方式运行 AI Toolkit：

• 本地 AI Toolkit（用你自己的 GPU） – 安装 AI Toolkit，启动 Web UI，在本地打开。确保有至少 10–12GB VRAM 的 NVIDIA GPU（推荐 24GB+），以及足够的 CPU 内存（如果要用 Layer Offloading，理想情况下需要 64GB+）。
• RunComfy 云端 AI Toolkit – 登录 RunComfy 云端 AI Toolkit，直接进入云端运行的 AI Toolkit UI。从 Training Queue 启动任务时，可以选择 H100（80GB） 或 H200（141GB） 机器。

---

5.2 第 1 步 – 在 AI Toolkit 中创建数据集

在 AI Toolkit UI 中，打开 Datasets 标签页。

创建三个数据集（名称仅供参考）：

• shirt_target
• shirt_control
• shirt_design

上传图片，让每个数据集有明确的角色：

• shirt_target – 20–60 张穿着有设计衬衫的人物照片。
• shirt_control – 相同的人物和姿势，但没有设计（或穿着空白衬衫）。
• shirt_design – 简单背景（灰色、黑色或白色）上的正方形设计图像。

如果没有准备好 .txt 描述文件，暂时把逐图描述留空。我们稍后会在任务级别添加一个默认描述。

重要配对说明

目标图和控制图应尽量按顺序配对（相同人物、相同姿势）。为保持配对稳定，建议在各文件夹间使用匹配的文件名，使字母顺序对齐，例如：shirt_target/img_0001.jpg、shirt_control/img_0001.jpg、shirt_design/img_0001.png。每张目标图都应有索引相同的对应控制图和设计图。

---

5.3 第 2 步 – 创建新任务

打开 New Job 标签页。我们按面板出现的顺序逐一配置。

---

5.3.1 JOB 面板 – 任务名称、GPU、触发词

• Training Name – 设置任何描述性名称，例如 qwen_edit2509_shirt_lora_v1。这会成为任务名称和保存检查点的文件夹名。
• GPU ID – 本地安装时，选择你机器上的 GPU。在 RunComfy 云端 AI Toolkit 中，保持 GPU ID 默认即可。实际机器类型（H100 / H200）在你从 Training Queue 启动任务时选择。
• Trigger Word – 输入你想在推理时使用的短语，例如：put this design on their shirt。在数据集描述中可以用 [trigger] 作为占位符，AI Toolkit 训练时会自动替换为触发词。一个清晰的触发短语能为 LoRA 提供干净的开关：不含触发词的提示应该接近基础 Qwen‑Image‑Edit‑2509 的行为，尤其是在你启用了后面推荐的 Differential Output Preservation（DOP）的情况下。

---

5.3.2 MODEL 面板 – 基座模型与 VRAM 选项

• Model Architecture – 选择 Qwen‑Image‑Edit‑2509。
• Name or Path – 基座检查点的 Hugging Face model id（repo id），例如：Qwen/Qwen-Image-Edit-2509。

  大多数 AI Toolkit 版本中，选择 Qwen‑Image‑Edit‑2509 会自动填充此值；除非有特殊需求，保持原样即可。

  如确实要覆盖，使用 Hugging Face repo id 格式：org-or-user/model-name（可选 org-or-user/model-name@revision）。

在 Options 中：

• Low VRAM – 对 ≤ 24GB VRAM 的 GPU 开启。这会在 backbone 内部启用额外的检查点和内存节省技巧，让大型 Qwen 模型更容易塞进显存。
• Match Target Res – 对 Qwen Edit 2509 LoRA训练任务开启。这会把控制图调整到与目标图相同的分辨率桶（如 768×768 或 1024×1024），保持编辑几何对齐，避免在过大的控制图上浪费 VRAM。
• Layer Offloading – 把它当作安全阀。如果启用 Low VRAM 和量化后仍遇到 CUDA OOM，在小显存 GPU 上可以开启；这会把部分层卸载到 CPU 内存，代价是步骤变慢。在 24GB+ 或 RunComfy 云端 GPU 上关闭以获得最佳速度。

---

5.3.3 QUANTIZATION 面板 – 适配大型 transformer

Qwen‑Image‑Edit‑2509 足够大，量化几乎总是个好主意。

• Transformer – 设为 float8 (default)。在 AI Toolkit 中这通常对应 3-bit ARA 基座加 8-bit "恢复"适配器，你能获得接近 3-bit 模型的 VRAM 占用，同时质量接近全精度。
• Text Encoder – 同样设为 float8 (default)。文本编码器很大，用 fp8 运行能省下大量 VRAM，质量损失很小。

无需在 UI 中手动配置 ARA 文件；选择 float8 选项就够了。

---

5.3.4 TARGET 面板 – LoRA 类型和 rank

这个面板告诉 AI Toolkit 你正在训练 LoRA 以及它应该有多大容量。

• Target Type – 选择 LoRA。
• Linear Rank – 对于 Qwen Edit 2509 LoRA微调，32 是个很好的默认值。它对于"把这个设计印到衬衫上"这类行为足够有表现力，同时训练和加载都很轻量。小显存 GPU 上可以降到 16；更复杂的行为可以试试 48–64（较高 rank 时要密切关注过拟合）。

---

5.3.5 SAVE 面板 – 检查点类型与频率

• Data Type – 选择 BF16。Qwen‑Image‑Edit‑2509 通常以 bfloat16 运行，用 BF16 保存 LoRA 权重可保持兼容且体积合理。
• Save Every – 250 步是实用的默认值；每 250 个训练步骤保存一个检查点。
• Max Step Saves to Keep – 4 保留最后四个检查点，自动删除旧的，防止磁盘被撑爆。

---

5.3.6 TRAINING 面板 – 核心超参数

TRAINING 面板控制我们对 Qwen‑Image‑Edit‑2509 微调的力度。

对于单数据集 LoRA（768–1024px 的 10–40 张图像）的推荐起始值：

• Batch Size – 默认设为 1。只在非常大的 GPU（A100 / H100 / H200 级别）上用 2。
• Gradient Accumulation – 从 1 开始。如果想要更大的有效批次而不增加 VRAM，可以把它调到 2–4。有效批次大小 = Batch Size × Gradient Accumulation。
• Steps – 使用 2500–3000。对于约 20–30 组三元组的衬衫设计示例，3000 效果很好。如果数据集很小（<15 张图像），考虑 1500–2200 以避免过拟合。
• Optimizer – 选择 AdamW8Bit。8-bit Adam 大幅节省内存，行为和标准 AdamW 类似。
• Learning Rate – 设为 0.0001。如果训练看起来噪声大或不稳定，可降到 0.00005。
• Weight Decay – 设为 0.0001 作为轻度正则化，防止 LoRA 在小数据集上漂移太远。
• Timestep Type – 设为 Weighted。这会偏向对 Qwen‑Image‑Edit 最重要的噪声级别进行训练。
• Timestep Bias – 设为 Balanced，是个安全的默认值，不会过度强调非常早或非常晚的时间步。
• Loss Type – 保持 Mean Squared Error，扩散 / rectified-flow 风格训练的标准选择。
• EMA（指数移动平均 → Use EMA） – 对 LoRA 关闭。EMA 在训练完整模型时更有用。

---

5.3.7 正则化和文本编码器部分（TRAINING 面板右侧）

在 TRAINING 面板右侧，你会看到两个重要区域：Text Encoder Optimizations 和 Regularization。

Text Encoder Optimizations

• Cache Text Embeddings – 对于 Qwen‑Image‑Edit + Differential Output Preservation（DOP），这必须保持关闭。DOP 会在每个批次内部重写提示文本，缓存的嵌入将无法匹配实际提示。当 DOP 关闭且你的描述是静态的时，可以开启 Cache Text Embeddings，一次性编码所有描述，把嵌入存储到磁盘，然后从 VRAM 中释放文本编码器。
• Unload Text Encoder（Unload TE） – 这是一种特殊的仅触发词模式。开启后，AI Toolkit 只为你的 Trigger Word 和 Sample 提示缓存一次嵌入，卸载文本编码器从 VRAM，并忽略所有数据集描述。对于依赖正常描述的 Qwen Image Edit Plus (2509) LoRA训练（特别是当 Differential Output Preservation 开启时），你应该关闭 Unload TE。

由于 caption dropout 是通过在训练时随机丢弃描述来实现的，它需要每步都做新的文本编码。如果你启用了 Cache Text Embeddings，应在 DATASETS 面板中把 Caption Dropout Rate = 0（见下文），以避免缓存嵌入和预期 dropout 行为之间的冲突。

Regularization → Differential Output Preservation

• Differential Output Preservation – 对大多数实际项目开启。这对 Qwen‑Image‑Edit 至关重要：它让基座模型在缺少触发短语时保持正常行为，只在触发词存在时注入你的行为。
• DOP Loss Multiplier – 开始时保持 1。如果看到太多风格泄漏到非触发提示中，可以稍微调高。
• DOP Preservation Class – 使用一个描述你最常编辑内容的中性类词。对于以人物为中心的编辑，person 是个好默认值；对于仅产品的编辑，用 product 或 object 之类的词。

DOP 如何与你的描述和触发词关联：

• 假设描述是 "[trigger] a person walking down the street, wearing the design on their shirt"
• Trigger Word = put this design on their shirt
• DOP Preservation Class = person

AI Toolkit 内部会创建两个提示：

1. put this design on their shirt a person walking down the street, wearing the design on their shirt – LoRA 路径。
2. person a person walking down the street, wearing the design on their shirt – 基座模型路径。

LoRA 只在这两者的差异上进行训练。不含触发短语的生成会更接近原版 Qwen‑Image‑Edit‑2509，因为 DOP 明确保留了该行为。

• Blank Prompt Preservation – 保持关闭，除非你有非常特殊的理由要保留空提示的行为。

---

5.3.8 ADVANCED 面板 – Differential Guidance

• Do Differential Guidance – 开启。
• Differential Guidance Scale – 从 3 开始。

Differential Guidance 是 AI Toolkit 特有的技巧，它会放大 LoRA 看到的误差信号。更大的缩放会让"你这里错了"的信号更响亮，LoRA 通常能更快学会期望的变化，而无需提高学习率。

如果样本在训练早期看起来不稳定或过于"锐利"，把它降到 2。如果学习感觉很慢，可以稍后试试 4。

---

5.3.9 DATASETS 面板 – 连接目标图、控制图和设计图

对于 Qwen Edit 2509 LoRA训练，必须提供至少一个目标数据集和一个控制数据集。

在 Dataset 1 内：

• Target Dataset – 选择你的输出 / 编辑后数据集，即代表"应用 LoRA 行为后"的图像。
• Control Dataset 1 – 选择包含你输入图像的数据集（你想编辑的原始照片）。每个文件应通过名称与目标图像匹配（例如 scene_001.png → scene_001.png）。
• Control Dataset 2 / 3 – 这些是可选的。对于衬衫 LoRA，把 Control Dataset 2 设为 shirt_design，这样模型会把 logo 或图案视为第二个控制流。除非有额外条件如深度图或关键点，否则控制槽留空即可。
• LoRA Weight – 保持 1，除非你添加了更多数据集。添加更多数据集时可以在这里重新平衡它们的影响。
• Default Caption – 如果你的图像已有 .txt 描述，可以留空。否则输入类似：

  "[trigger] put this design on their shirt, full‑body street photo"

  记住：[trigger] 会被 JOB 面板中的触发词替换。

• Caption Dropout Rate – 当你不缓存文本嵌入时，0.05 是个好的起始值；大约每二十步会忽略描述一次，防止模型过拟合到确切的措辞。如果打算在 TRAINING 面板中开启 Cache Text Embeddings，把 Caption Dropout Rate = 0，因为 dropout 需要每步重新编码描述，无法与缓存嵌入配合使用。
• Settings → Cache Latents – 开启。AI Toolkit 会一次性把每张目标图像编码为 VAE latents 并复用，缓存完成后会从 GPU 中移除沉重的 VAE，显著加速训练。
• Settings → Is Regularization – 对主数据集保持关闭。如果后来添加了第二个纯粹用于正则化图像的数据集（例如通用人物照片），再把那个数据集的 Is Regularization 设为 ON。
• Flipping（Flip X / Flip Y） – 对大多数人物 / 产品 LoRA，两者都保持关闭，除非你确定镜像翻转对你的主题是安全的（Flip X 会镜像衬衫上的任何文字）。
• Resolutions – 启用你希望 Qwen‑Image‑Edit 训练的桶，例如 512、768 和 1024。768 是许多 Qwen LoRA 的甜蜜点；加上 512 和 1024 可以让训练对分辨率变化更鲁棒。

你可以用 Add Dataset 添加额外数据集（例如 LoRA Weight < 1 的正则化数据集），但对于大多数"把这个设计印到衬衫上"的用例，一个包含一个目标 + 一个或两个控制集的 Dataset 1 就足够了。

---

5.3.10 SAMPLE 面板 – 训练预览

SAMPLE 面板控制训练期间的定期预览。这些样本不影响训练损失，仅用于监控。

• Sample Every – 设为 250，每 250 步生成一次预览，和检查点计划对齐。
• Width / Height – 匹配主训练分辨率，例如 1024 × 1024 或 768 × 1024，取决于你的数据集。
• Seed – 选择一个稳定的种子如 42。可以启用 Walk Seed，让每个预览批次使用连续种子并显示更多变化。
• Sampler – 选择 FlowMatch（或你版本中的默认 Qwen 采样器）。这应该和 TRAINING 中使用的 FlowMatch scheduler 匹配。
• Guidance Scale – 预览设为 4。稍后在 ComfyUI 或其他 UI 中推理时，通常会在 3–6 之间尝试。
• Sample Steps – 约 25 步是预览的质量与速度的好折中。
• Advanced Sampling – Skip First Sample、Force First Sample 和 Disable Sampling 都可保持关闭。只有在调试或想要最大速度且完全不要预览时才开启 Disable Sampling。
• Sample Prompts – 添加 4–8 个代表你的 LoRA 真实用例的提示

---

5.4 第 3 步 – 启动训练并监控

配置完任务后，转到 Training Queue 标签页，选择你的任务，准备运行。

点击 Start / Play，主要关注两件事：

• GPU VRAM / CPU RAM – 特别是在使用 Layer Offloading 的低 VRAM 显卡上，要密切关注系统 RAM 使用情况。
• Sample images – 设计应该保持在衬衫上并跟随褶皱和姿势。如果开始渗透到整个图像或颜色变得极端，考虑提前停止或减少总步数。

---

6. 按 VRAM 级别推荐的 Qwen Edit 2509 LoRA训练配置

如果你只想要一个适用于 24GB 本地 GPU 和所有 H100/H200 云端运行的安全默认值，用第 3–6 节的设置即可：Low VRAM = ON，Transformer/Text Encoder 量化 = float8，Batch Size = 1，LoRA Rank = 32，Resolutions = 512 / 768 / 1024，Differential Output Preservation = ON，Cache Text Embeddings = OFF。

以下仅列出真正随硬件变化的设置。这里没提到的（Steps、Learning Rate、Optimizer 等）保持前面的推荐即可。

---

级别 1 – 低 VRAM (~10–12GB 本地)

• MODEL → Low VRAM：开启。启用额外的检查点和重排，让 Qwen‑Image‑Edit‑2509 能塞进 10–12GB 显卡。
• MODEL → Layer Offloading：如果仍遇到 CUDA OOM，开启。预计 CPU RAM 使用量高（≈60GB+），步骤更慢，但 GPU VRAM 可降到约 8–9GB。
• QUANTIZATION → Transformer / Text Encoder：两者都设为 float8。在这个使用 Qwen 3-bit ARA 适配器的架构中，float8 是稳定质量的实际最低要求。
• TRAINING → Batch Size：锁定为 1。如果想要更大的有效批次，增加 Gradient Accumulation 而不是 Batch Size。
• DATASETS → Resolutions：启用 512 和 768 作为主要桶。如果能接受更慢、更脆弱的运行，可以加上 1024；把 1024×1024 加两个控制流视为这一级别的实际上限。
• TRAINING → Text Encoder Optimizations / Regularization：如果即使用了 Low VRAM 和 Layer Offloading 仍无法跑 Differential Output Preservation，关闭 DOP 并开启 Cache Text Embeddings，这样描述只编码一次，文本编码器从 VRAM 中释放。你会损失一些基座模型保留，但能腾出几 GB 空间。

---

级别 2 – 紧张的 24GB（3090 / 4090 / 5090 级别）

相比级别 1 可以放松的内容：

• MODEL → Low VRAM：为安全起见在 24GB 上保持开启；一旦确认你的分辨率和控制设置能舒适塞下，可以尝试关闭。
• MODEL → Layer Offloading：通常关闭。只有在选定的分辨率和控制流数量下仍遇到 OOM 时才启用。
• QUANTIZATION → Transformer / Text Encoder：两者都保持 float8。在这一级别禁用量化很少有帮助，只会烧掉本可用于分辨率或批次大小的 VRAM。
• TRAINING → Batch Size：1 仍是默认值。如果 Low VRAM 开启且量化保持开启，在 768×768 加两个控制下，Batch Size 2 有时是可行的。
• DATASETS → Resolutions：启用 512、768 和 1024。把 768 视为"总是安全"的桶，1024 视为可能需要 Low VRAM 甚至部分卸载的高端桶。
• TRAINING → Text Encoder Optimizations / Regularization：通常可以保持 Differential Output Preservation ON 和 Cache Text Embeddings OFF，尤其是主要在 768×768 训练时。如果绝对需要在 24GB 显卡上用 1024×1024 且其他调整后仍遇到 OOM，下一个杠杆是关闭 DOP 并开启 Cache Text Embeddings。

---

级别 3 – 舒适的 32GB+ 本地和云端 H100/H200

在 32GB 本地显卡和 80–141GB 云端 GPU（H100 / H200）上，你不再需要和 VRAM 斗争，可以简化配置：

• MODEL → Low VRAM：可选。在 32GB+ 本地 GPU 和 H100/H200 上可以关闭，获得略快的步骤和更简单的跟踪。
• MODEL → Layer Offloading：保持关闭。所有 Qwen‑Image‑Edit‑2509 组件都可以驻留在 GPU 上。
• QUANTIZATION → Transformer / Text Encoder：默认两者都保持 float8。在 H100/H200 上可以尝试禁用 Text Encoder 量化，但这并非获得好质量所必需的，与把这部分 VRAM 用于批次大小或分辨率相比收益很小。
• TRAINING → Batch Size：在 32GB 本地 GPU 上用 1–2，在 H100/H200 上用 2–4，分辨率为 1024×1024 加两个控制流。
• TARGET → LoRA Rank：32 是舒适的默认值。对于非常复杂的行为（例如多效果编辑 LoRA），可以在 H100/H200 上尝试 48–64，同时注意过拟合。
• DATASETS → Resolutions：主要在 768 和 1024 训练。通常可以放弃 512，除非你特别关心低分辨率行为。
• TRAINING → Text Encoder Optimizations / Regularization：默认使用 Differential Output Preservation ON 和 Cache Text Embeddings OFF 运行。VRAM 足以让文本编码器驻留，你能获得"有触发词"和"无触发词"行为之间最干净的分离。

7. Qwen Edit 2509 LoRA训练常见问题及解决方法

7.1 数据集配对错误（顺序错误 / 人物不匹配）

症状： 设计出现了，但在错误的位置、错误的人物上，或被扭曲。

检查目标和控制数据集是否对齐：shirt_target/img_0001.jpg 应与 shirt_control/img_0001.jpg 和 shirt_design/img_0001.png 配对，以此类推。如果你手动打乱了图像，保持文件名配对，使字母顺序仍然对齐。

---

7.2 即使量化后仍然 VRAM OOM

如果你用小目标分辨率（例如 512×512）训练，但控制数据集仍然使用 1024×1024 作为最高桶且 Match Target Res 关闭，每个控制流都会以 1024×1024 编码，而目标只有 512×512。两三个这样的控制流加起来，总 latent 大小会比预期大得多，即使启用量化也很容易遇到 CUDA OOM。

解决方法：

• 要么在 MODEL 面板中开启 Match Target Res，这样所有控制图会自动调整到与目标相同的分辨率桶（例如目标样本是 512×512 时，它们都变成 512×512），或者
• 保持 Match Target Res 关闭，但把控制数据集的最高分辨率桶降低到与目标匹配（放弃 1024，坚持 512/768）。

在云端的 H100/H200 上，目标和控制都用 1024×1024 桶也没问题，不太需要依赖这些技巧，但最安全的规则是：当 Match Target Res 禁用时，避免把小目标和非常大的控制混在一起。

---

7.3 训练永远不收敛 / 看起来是随机的

检查以下内容：

• 在 TRAINING 面板中，噪声调度器和时间步设置仍对应 FlowMatch。在导出的 YAML 中应该看到 noise_scheduler: "flowmatch"，在 SAMPLE 面板中采样器也应该设为 FlowMatch；如果采样器用了不同的调度器，即使 LoRA 正在正确训练，预览也可能看起来像纯噪声。
• Learning Rate 不要太高。0.0001 是 Qwen Edit 2509 LoRA训练的安全默认值；如果预览在几百步后仍然振荡或非常不稳定，把它降到 0.00005 并从最后一个好的检查点恢复。

---

7.4 LoRA 过拟合（设计渗透到各处）

可能的解决方法：

• 减少总 Steps（例如从 5000 降到 3000）。
• 考虑稍低的 LoRA Rank（16 而不是 32）。
• 用不同的人物、姿势和光照来丰富数据集。
• 确保 Differential Output Preservation 已启用，如有需要可以稍微调高 DOP Loss Multiplier，以更强力地保留基础行为。

---

7.5 环境地狱

典型的本地问题包括 CUDA 版本不匹配、PyTorch 构建错误，或驱动程序与 GPU / 操作系统不匹配。在 RunComfy 云端 AI Toolkit 中这些问题统统消失：AI Toolkit 和依赖项都已预装，你可以直接从 UI 使用配置和数据集开始。

如果你发现修 CUDA 的时间比训练还多，这通常就是把这个任务挪到云端更省事的信号。

---

8. 训练完成后如何使用你的 Qwen Edit 2509 LoRA

训练完成后，你可以通过两种简单方式使用你的 Qwen Edit 2509 LoRA：

• 模型 Playground – 打开 Qwen‑Image‑Edit‑2509 LoRA playground，粘贴训练好的 LoRA 的 URL，快速查看它叠加在基座模型上的效果。
• ComfyUI 工作流 – 启动一个 ComfyUI 实例，自己搭建工作流或加载现有的如 Qwen Edit 2509 MultipleAngles 工作流，在 LoRA 加载器节点中换入你的 LoRA，并微调 LoRA 权重和其他设置以进行更精细的控制。

---

更多 AI Toolkit LoRA 训练指南

• Qwen-Image-Edit-2511 LoRA 训练（多图编辑）
• FLUX.2 Dev LoRA 训练
• Z-Image Turbo LoRA 训练（8 步 Turbo）
• Wan 2.2 I2V 14B 图生视频 LoRA 训练
• Wan 2.2 T2V 14B 文生视频 LoRA 训练
• Qwen Image 2512 LoRA 训练
• AI Toolkit LTX-2 LoRA训练