Qwen‑Image‑Edit‑2509 是一個 20B 參數的多圖編輯模型，可同時處理最多三張圖片（目標圖、控制圖和設計圖），實現精準的幾何感知編輯。本指南將教你如何進行 Qwen Edit 2509 LoRA 訓練。學完本教程後，你將能夠：

• 使用 AI Toolkit by Ostris 完成 Qwen Edit 2509 LoRA 訓練，實現可靠的定向編輯任務（例如將任意設計圖印到襯衫上）。
• 本地運行整個 Qwen-Edit-2509 LoRA 訓練流程（即使 VRAM < 10GB 也能通過層卸載實現），或者在瀏覽器中使用 RunComfy 雲端 AI Toolkit（H100 / H200，80GB / 141GB VRAM）。
• 深入理解本模型各項關鍵參數的作用：Match Target Res 與 Low VRAM 選項、Transformer/Text Encoder 量化、Layer Offloading（層卸載）、Cache Text Embeddings、Differential Output Preservation（差分輸出保留）、Differential Guidance（差分引導），以及 Batch Size、Steps、LoRA Rank 等核心超參數。
• 自信地為自己的編輯 LoRA 調參（補光、換裝、皮膚、物體替換……）。

如果你想用更新的檢查點，追求更強的「一致性優先」編輯效果，請參閱 Qwen 2511 LoRA 訓練教程。

本文屬於 AI Toolkit LoRA 訓練系列。如果你是 Ostris AI Toolkit 新手，建議先閱讀 AI Toolkit LoRA 訓練概述，再進入本指南。

---

目錄

• 1. Qwen‑Image‑Edit‑2509 概述：這個編輯模型能做什麼
• 2. 環境選項：本地 AI Toolkit vs RunComfy 雲端 AI Toolkit
• 3. Qwen Edit 2509 LoRA 訓練的硬體與 VRAM 需求
• 4. 建構 Qwen Image Edit 2509 LoRA 訓練資料集
• 5. 逐步操作：在 AI Toolkit 中進行 Qwen Edit 2509 LoRA 微調
• 6. 按 VRAM 等級推薦的 Qwen Edit 2509 LoRA 訓練配置
• 7. Qwen Edit 2509 LoRA 訓練常見問題及解決方案
• 8. 訓練後使用你的 Qwen Edit 2509 LoRA

1. Qwen‑Image‑Edit‑2509 概述：這個編輯模型能做什麼

Qwen‑Image‑Edit‑2509（常簡稱為 Qwen Edit 2509 或 Qwen Image Edit Plus）是 Qwen‑Image‑Edit 模型的 2025 年 9 月版本。它建立在 20B Qwen‑Image 基礎之上，官方權重可在 Hugging Face 的 Qwen‑Image‑Edit‑2509 模型頁面 獲取。

相比第一版 Qwen‑Image‑Edit，2509 新增了：

• 多圖編輯 — 模型可以同時接收 1–3 張輸入圖片（例如人物 + 衣服 + 姿勢，或來源照片 + 光照參考）。
• 圖片拼接行為 — 在官方管線中，每張輸入圖片會縮放到約 1 百萬像素，然後一起處理。即使你提供多個控制圖，模型看到的像素預算也是固定的。
• 更好的文字和細節編輯 — 由 Qwen2.5-VL 和專用 VAE 驅動，對小文字、Logo 和精細細節的處理能力大大提升。

已經在使用 Qwen Image Edit Plus (2509) LoRA 訓練的典型 LoRA 應用場景：

• 試衣 / 換裝 — Qwen‑Image‑Edit‑2509‑Clothing‑Tryon‑LoRA。
• 重新打光 / 光照優化 — Qwen‑Image‑Edit‑2509‑Relight‑LoRA。
• 多效果風格與細節融合 — Qwen‑Image‑Edit‑2509‑Multi‑Effect‑Fusion‑LoRA。
• 輕度修復，加上將白底照片轉換為完整場景 — Qwen‑Image‑Edit‑2509‑White‑Film‑To‑Rendering‑LoRA。
• 照片轉動漫風格化 — Qwen‑Image‑Edit‑2509‑Anime‑Stylization‑LoRA。
• 浪漫/親吻姿勢編輯 — Qwen‑Image‑Edit‑2509‑Passionate‑Kiss‑LoRA。
• 漫畫/誇張肖像風格 — Qwen‑Image‑Edit‑2509‑Caricature‑LoRA。

Qwen‑Image‑Edit 和 Qwen‑Image 本質上共用同一個基礎。社群測試顯示，在 Qwen‑Image 上訓練的 LoRA 與 Qwen‑Image‑Edit / 2509 相容，反之亦然，因為適配器連接的是同一個主幹網路。

---

2. 環境選項：本地 AI Toolkit vs RunComfy 雲端 AI Toolkit

2.1 本地 AI Toolkit（使用你自己的 GPU）

從 AI Toolkit GitHub 倉庫 安裝 AI Toolkit，然後執行 Web UI。如果你已經有一張 24GB 以上的 NVIDIA 顯卡，熟悉 CUDA / 驅動 / 磁碟空間管理，並且不介意讓訓練過夜運行，本地訓練是個不錯的選擇。

---

2.2 RunComfy 雲端 AI Toolkit（H100 / H200）

使用 RunComfy 雲端 AI Toolkit 時，AI Toolkit 完全在雲端運行：

• 你不需要安裝任何東西 — 只需打開瀏覽器、登入，就能進入 AI Toolkit UI。
• 你可以使用 H100（80GB）和 H200（141GB）等大型 GPU 來執行繁重的 Qwen Edit 2509 LoRA 訓練任務。
• 你會獲得一個持久化工作區 — 資料集、配置和過去的任務都會綁定到你的帳戶，隨時可以回來繼續迭代。

👉 在這裡打開：RunComfy 雲端 AI Toolkit

本教程的其餘部分在兩種環境中的操作完全相同；唯一區別只是 GPU 所在位置不同。

---

3. Qwen Edit 2509 LoRA 訓練的硬體與 VRAM 需求

Qwen‑Image‑Edit‑2509 是個很重的模型：

• 基礎模型約有 20B 參數。
• 編輯管線可以一次將 最多 3 × ~1MP 圖片 送入 Transformer。

在 2509 的標準 32GB 範例配置（train_lora_qwen_image_edit_2509_32gb.yaml）中，用戶報告大約：

• 1024×1024 訓練需要 27–28.5GB VRAM。
• 768×768 訓練需要 25–26GB VRAM — 對 24GB 顯卡依然塞不下。

這就是為什麼官方範例明確是 32GB 配置。但透過 3-bit ARA 量化 + Low VRAM 模式 + Layer Offloading（RAMTorch），Ostris 展示了可以用僅 ~8–9GB GPU VRAM 完成 Qwen Edit 2509 LoRA 訓練，代價是需要高 CPU RAM（60GB+）和更慢的訓練速度。

在使用完整 offloading 的 4090 上，Ostris 的範例達到 ~9GB VRAM 和 ~64GB CPU RAM，運行 ~5k 步約需一天。在不使用 offload 的 5090 上，迭代約快 2–3 倍。

---

4. 建構 Qwen Edit 2509 LoRA 訓練資料集

我們將參考 Ostris 教程中的「襯衫設計」範例，並將其泛化以便你可以適應其他任務。

4.1 三個邏輯圖片流

對於服裝設計 LoRA，模型需要學習：給定一個穿著空白襯衫的人和一張設計圖，將這個設計印到他們的襯衫上，同時保持姿勢、光照和褶皺。

• 目標圖片（你想要的結果） — 穿著已印有設計襯衫的人。這些是你希望模型重現的輸出。
• 控制圖片（空白襯衫，相同的人） — 與目標相同的對象和姿勢，但沒有設計（或穿著素色襯衫）。它們控制幾何、褶皺、光照和遮擋（手臂、頭髮、項鍊等）。
• 設計圖片 — 設計本身在中性背景上（灰色、黑色或白色）。你可以加入一些變體（不同的背景顏色）以提高穩健性。

在 Ostris 的範例中，約 26 組三元組（人物 + 空白襯衫 + 設計）就足以獲得非常強的效能，包括 QR 碼和複雜 Logo 正確映射到布料上。對於生產 LoRA，從 20–60 組精心策劃的三元組（目標 + 控制 + 設計）開始是個好基準。

---

4.2 解析度與寬高比

Qwen‑Image‑Edit‑2509：

• 在內部將每個輸入縮放到約 1MP（例如 1024×1024 或等效）。
• 當你的訓練圖片是正方形或接近正方形（我們這裡使用 1024×1024），或一致的寬高比（例如全部 3:4）時效果最好。

在本教程中，我們假設是正方形圖片，這樣分桶會很簡單：

• 目標、控制和設計圖片都在 1024×1024 左右。AI Toolkit 會根據你在 DATASETS 面板啟用的內容分到 512 / 768 / 1024 桶。

---

4.3 圖說

對於這個服裝設計 LoRA，我們不使用每張圖片的圖說，只使用一個資料集級別的預設圖說：put this design on their shirt

這樣做有效是因為：

• 語義簡單且在所有樣本中相同。
• 控制圖和設計圖承載了大部分有趣的資訊。

對於更複雜的編輯 LoRA（如「像工作室邊光一樣重新打光」vs「黃金時段」），你應該使用描述所需編輯的每張圖片圖說。

---

5. 逐步操作：在 AI Toolkit 中進行 Qwen Edit 2509 LoRA 訓練

5.1 步驟 0 — 選擇在哪裡運行 AI Toolkit

本教程中你可以用兩種方式運行 AI Toolkit：

• 本地 AI Toolkit（使用你自己的 GPU） — 安裝 AI Toolkit，運行 Web UI，在本地打開。確保你有至少 10–12GB VRAM 的 NVIDIA GPU（建議 24GB+）和足夠的 CPU RAM（如果計劃使用 Layer Offloading，理想情況下需要 64GB+）。
• RunComfy 雲端 AI Toolkit — 登入 RunComfy 雲端 AI Toolkit。你會直接進入在雲端運行的 AI Toolkit UI。當你從 Training Queue 啟動任務時，選擇 H100（80GB） 或 H200（141GB） 機器。

---

5.2 步驟 1 — 在 AI Toolkit 中建立資料集

在 AI Toolkit UI 中，打開 Datasets 標籤。

建立三個資料集（名稱只是範例）：

• shirt_target
• shirt_control
• shirt_design

上傳你的圖片，讓每個資料集有明確的角色：

• shirt_target — 20–60 張穿著有設計襯衫的人物照片。
• shirt_control — 相同的人和姿勢沒有設計（或穿著空白襯衫）。
• shirt_design — 在簡單背景（灰色、黑色或白色）上的正方形設計圖片。

如果你沒有準備好 .txt 檔案形式的圖說，暫時將每張圖片的圖說留空。我們稍後會在任務級別添加一個預設圖說。

重要的配對說明

目標圖片和控制圖片應該盡可能按順序配對（相同的人，相同的姿勢）。為了保持配對穩定，在資料夾之間使用匹配的檔名，這樣字母順序就會對齊，例如：shirt_target/img_0001.jpg、shirt_control/img_0001.jpg、shirt_design/img_0001.png。每張目標圖片應該有相同索引的對應控制圖片和設計圖片。

---

5.3 步驟 2 — 建立新任務

打開 New Job 標籤。讓我們按照它們出現的順序配置每個面板。

---

5.3.1 JOB 面板 — 任務名稱、GPU、觸發詞

• Training Name — 設定任何描述性名稱，例如 qwen_edit2509_shirt_lora_v1。這會成為任務名稱和儲存檢查點的資料夾名稱。
• GPU ID — 在本地安裝中，選擇你機器上的 GPU。在 RunComfy 雲端 AI Toolkit 中，將 GPU ID 保留為預設值。實際的機器類型（H100 / H200）會在你從 Training Queue 啟動任務時選擇。
• Trigger Word — 輸入你想在推理時輸入的短語，例如：put this design on their shirt。在你的資料集圖說中，你可以使用 [trigger] 作為佔位符。AI Toolkit 會在訓練期間將 [trigger] 替換為 Trigger Word。清晰的觸發短語為你提供一個乾淨的 LoRA 開/關開關：不包含它的提示應該保持接近 Qwen‑Image‑Edit‑2509 的基礎行為，特別是如果你還啟用了稍後推薦的 Differential Output Preservation（DOP）。

---

5.3.2 MODEL 面板 — 基礎模型和 VRAM 選項

• Model Architecture — 選擇 Qwen‑Image‑Edit‑2509。
• Name or Path — 基礎檢查點的 Hugging Face model id（repo id），例如：Qwen/Qwen-Image-Edit-2509。

  在大多數 AI Toolkit 版本中，選擇 Qwen‑Image‑Edit‑2509 會自動填入這個值；除非你有理由更改，否則保持原樣。

在 Options 中：

• Low VRAM — 對於 ≤ 24GB VRAM 的 GPU 設為 ON。這會在主幹網路內啟用額外的檢查點和記憶體節省技巧，讓大型 Qwen 模型更容易塞進去。
• Match Target Res — 對於 Qwen Edit 2509 LoRA 訓練任務設為 ON。這會將控制圖片縮放到與目標圖片相同的解析度桶（例如 768×768 或 1024×1024）。這保持編輯幾何對齊，避免在過大的控制圖上浪費 VRAM。
• Layer Offloading — 將其視為安全閥。如果在啟用 Low VRAM 和量化後仍然遇到 CUDA OOM，在非常小的 GPU 上設為 ON；這會將一些層卸載到 CPU RAM，代價是步驟變慢。在 24GB 以上或 RunComfy 雲端 GPU 上保持 OFF 以獲得最佳速度。

---

5.3.3 QUANTIZATION 面板 — 適配大型 Transformer

Qwen‑Image‑Edit‑2509 足夠大，量化幾乎總是個好主意。

• Transformer — 設為 float8 (default)。在 AI Toolkit 中，這通常對應於 3-bit ARA 基礎加上 8-bit「恢復」適配器，所以你獲得接近 3-bit 模型的 VRAM 使用量和接近全精度的品質。
• Text Encoder — 也設為 float8 (default)。Text encoder 很大，用 fp8 運行可以節省大量 VRAM，品質損失最小。

你不需要在 UI 中手動配置 ARA 檔案；選擇 float8 選項就足夠了。

---

5.3.4 TARGET 面板 — LoRA 類型和 Rank

這個面板告訴 AI Toolkit 你正在訓練一個 LoRA 以及它應該有多大的容量。

• Target Type — 選擇 LoRA。
• Linear Rank — 對於 Qwen Edit 2509 LoRA 訓練，32 是個強大的預設值。它對於像「將這個設計印到他們的襯衫上」這樣的行為足夠有表現力，但訓練和載入仍然輕便。在非常小的 GPU 上你可以降到 16；對於更複雜的行為，你可以嘗試 48–64（在較高 rank 時密切注意過擬合）。

---

5.3.5 SAVE 面板 — 檢查點類型和頻率

• Data Type — 選擇 BF16。Qwen‑Image‑Edit‑2509 通常以 bfloat16 運行，將 LoRA 權重保存為 BF16 可以保持相容性且大小合理。
• Save Every — 250 步是個實用的預設值；你會每 250 個訓練步驟獲得一個檢查點。
• Max Step Saves to Keep — 4 保留最後四個檢查點並自動刪除較舊的，這樣你的磁碟就不會填滿。

---

5.3.6 TRAINING 面板 — 核心超參數

TRAINING 面板控制我們對 Qwen‑Image‑Edit‑2509 進行微調的激進程度。

單資料集 LoRA（768–1024px 的 10–40 張圖片）的推薦起始值：

• Batch Size — 預設設為 1。只在非常大的 GPU（A100 / H100 / H200 等級）上使用 2。
• Gradient Accumulation — 從 1 開始。如果你想要更大的有效批次大小而不增加 VRAM，將其增加到 2–4。有效批次大小 = Batch Size × Gradient Accumulation。
• Steps — 使用 2500–3000。對於有 ~20–30 組三元組的襯衫設計範例，3000 效果很好。如果你的資料集很小（<15 張圖片），考慮 1500–2200 以避免過擬合。
• Optimizer — 選擇 AdamW8Bit。8-bit Adam 大幅減少記憶體使用，同時行為像標準 AdamW。
• Learning Rate — 設為 0.0001。如果訓練看起來嘈雜或不穩定，降低到 0.00005。
• Weight Decay — 設為 0.0001 作為輕度正則化，這樣 LoRA 在小資料集上不會偏離太遠。
• Timestep Type — 設為 Weighted。這會將訓練偏向對 Qwen‑Image‑Edit 最重要的噪聲級別。
• Timestep Bias — 設為 Balanced，一個安全的預設值，不會過度強調非常早或非常晚的時間步。
• Loss Type — 保持 Mean Squared Error，擴散/整流流訓練的標準選擇。
• EMA（Exponential Moving Average → Use EMA） — 對於 LoRA 保持 OFF。EMA 在訓練完整模型時更有用。

---

5.3.7 正則化和 Text Encoder 部分（TRAINING 面板右側）

在 TRAINING 面板的右側，你會看到兩個重要區域：Text Encoder Optimizations 和 Regularization。

Text Encoder Optimizations

• Cache Text Embeddings — 對於 Qwen‑Image‑Edit + Differential Output Preservation（DOP），這必須保持 OFF。DOP 會在每個批次內部重寫提示文字，所以快取的 embedding 將不再與實際提示匹配。當 DOP OFF 且你的圖說是靜態的時，你可以將 Cache Text Embeddings 設為 ON，一次編碼所有圖說，將 embedding 儲存到磁碟，然後從 VRAM 釋放 text encoder。
• Unload Text Encoder（Unload TE） — 這是一個特殊的僅觸發詞模式。當你將其設為 ON 時，AI Toolkit 會一次快取你的 Trigger Word 和 Sample 提示的 embedding，從 VRAM 卸載 text encoder，並忽略所有資料集圖說。對於依賴正常圖說的 Qwen‑Image‑Edit‑2509 LoRA（特別是當 Differential Output Preservation ON 時），你應該將 Unload TE 保持 OFF。

由於 caption dropout 是通過在訓練期間隨機丟棄圖說來實現的，它依賴於每一步的新鮮文字編碼。如果你啟用 Cache Text Embeddings，你應該在 DATASETS 面板設定 Caption Dropout Rate = 0（見下文），這樣快取的 embedding 和預期的 dropout 行為之間就不會有不匹配。

Regularization → Differential Output Preservation

• Differential Output Preservation — 對於大多數實際專案設為 ON。這對 Qwen‑Image‑Edit 至關重要：當觸發短語不存在時讓基礎模型正常行為，只有當觸發詞存在時才注入你的行為。
• DOP Loss Multiplier — 最初保持 1。如果你看到太多風格洩漏到無觸發詞的提示中，可以稍微增加。
• DOP Preservation Class — 使用一個中性的類別詞，描述你最常編輯的內容。對於以人物為中心的編輯，person 是個好預設；對於純產品編輯，使用像 product 或 object 這樣的詞。

DOP 如何與你的圖說和 Trigger Word 連接：

• 假設一個圖說是 "[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 內部建立兩個提示：

1. put this design on their shirt a person walking down the street, wearing the design on their shirt — LoRA 路徑。
2. person a person walking down the street, wearing the design on their shirt — 基礎模型路徑。

LoRA 只在這兩者的差異上訓練。沒有觸發短語的生成會更接近原版 Qwen‑Image‑Edit‑2509，因為 DOP 明確保留了那個行為。

• Blank Prompt Preservation — 保持 OFF，除非你有非常特殊的理由需要保留空提示的行為。

---

5.3.8 ADVANCED 面板 — Differential Guidance

• Do Differential Guidance — 設為 ON。
• Differential Guidance Scale — 從 3 開始。

Differential Guidance 是一個 AI Toolkit 特有的技巧，它縮放 LoRA 看到的誤差信號。更大的縮放使「你這裡錯了」的信號更響亮，所以 LoRA 通常會更快地學習期望的變化，而不需要增加學習率。

如果在訓練早期樣本看起來不穩定或過度「銳利」，降低到 2。如果學習感覺非常慢，你可以稍後嘗試 4。

---

5.3.9 DATASETS 面板 — 連接目標、控制和設計圖片

對於 Qwen Edit 2509 LoRA 訓練，你必須提供至少一個目標資料集和一個控制資料集。

在 Dataset 1 內：

• Target Dataset — 選擇你的輸出/已編輯資料集，即代表「應用 LoRA 行為後」的圖片。
• Control Dataset 1 — 選擇包含你的輸入圖片（你想編輯的原始照片）的資料集。每個檔案應該按名稱與目標圖片匹配（例如 scene_001.png → scene_001.png）。
• Control Dataset 2 / 3 — 這些是可選的。對於襯衫 LoRA，將 Control Dataset 2 設為 shirt_design，這樣模型會將 logo 或 artwork 視為第二個控制流。除非你有額外的條件如深度圖或關鍵點，否則將控制槽留空。
• LoRA Weight — 除非你添加更多資料集，否則保持 1。當你添加更多資料集時，可以在這裡重新平衡它們的影響。
• Default Caption — 如果你的圖片已經有 .txt 圖說，你可以留空。否則輸入類似：

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

  記住：[trigger] 會被 JOB 面板的 Trigger Word 替換。

• Caption Dropout Rate — 當你不快取 text embedding 時，0.05 是個好的起始值；大約每二十步會忽略圖說一次，這樣模型就不會過擬合到精確的措辭。如果你計劃在 TRAINING 面板將 Cache Text Embeddings 設為 ON，設定 Caption Dropout Rate = 0，因為 dropout 需要每步重新編碼圖說，與快取的 embedding 無法正確配合。
• Settings → Cache Latents — 設為 ON。AI Toolkit 會一次將每張目標圖片編碼為 VAE latent 並重複使用，這會在快取後從 GPU 移除繁重的 VAE，顯著加速訓練。
• Settings → Is Regularization — 對於你的主要資料集保持 OFF。如果你後來添加一個純粹用於正則化圖片的第二個資料集（例如通用人物照片），你會將該第二個資料集的 Is Regularization 設為 ON。
• Flipping（Flip X / Flip Y） — 對於大多數人物/產品 LoRA，將兩者都保持 OFF，除非你確定鏡像翻轉對你的主題是安全的（Flip X 會鏡像襯衫上的任何文字）。
• Resolutions — 啟用你希望 Qwen‑Image‑Edit 訓練的桶，例如 512、768 和 1024。768 是許多 Qwen LoRA 的甜蜜點；添加 512 和 1024 使訓練對輕微的解析度變化更穩健。

你可以使用 Add Dataset 添加額外的資料集（例如 LoRA Weight < 1 的正則化資料集），但對於大多數「將這個設計印到他們的襯衫上」的使用案例，一個帶有目標 + 一個或兩個控制集的單一 Dataset 1 就足夠了。

---

5.3.10 SAMPLE 面板 — 訓練預覽

SAMPLE 面板控制訓練期間的定期預覽。這些樣本不會影響訓練損失；它們僅用於監控。

• Sample Every — 設為 250，這樣你每 250 步生成預覽，與你的檢查點計劃很好地對齊。
• Width / Height — 匹配你的主要訓練解析度，例如 1024 × 1024 或 768 × 1024，取決於你的資料集。
• Seed — 選擇一個穩定的種子如 42。如果你希望每個預覽批次使用連續的種子並顯示更多變化，可以啟用 Walk Seed。
• Sampler — 選擇 FlowMatch（或你版本中的預設 Qwen sampler）。這應該與 TRAINING 中使用的 FlowMatch scheduler 匹配。
• Guidance Scale — 預覽設為 4。當你稍後在 ComfyUI 或其他 UI 中進行推理時，你通常會在 3–6 之間實驗。
• Sample Steps — 約 25 步對預覽來說是品質與速度的好折衷。
• Advanced Sampling — 你可以將 Skip First Sample、Force First Sample 和 Disable Sampling 都保持 OFF。只有在你正在除錯或想要完全沒有預覽的最大速度時才將 Disable Sampling 設為 ON。
• Sample Prompts — 添加 4–8 個代表你 LoRA 實際使用案例的提示。

---

5.4 步驟 3 — 啟動訓練並監控

配置好任務後，前往 Training Queue 標籤，選擇你的任務，準備運行。

點擊 Start / Play 並主要觀察兩件事：

• GPU VRAM / CPU RAM — 特別是在使用 Layer Offloading 的低 VRAM 顯卡上，留意系統 RAM 使用量。
• 樣本圖片 — 設計應該保持在襯衫上並跟隨褶皺和姿勢。如果它開始滲入整個圖片或顏色變得極端，考慮提前停止或減少總步數。

---

6. 按 VRAM 等級推薦的 Qwen Edit 2509 LoRA 訓練配置

如果你只想要一個適用於 24GB 本地 GPU 和所有 H100/H200 雲端運行的安全預設，使用第 3–6 節的設定：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。

以下只有真正隨硬體變化的設定。這裡沒有提到的任何內容（Steps、Learning Rate、Optimizer 等）可以保持之前的建議。

---

等級 1 — 低 VRAM（~10–12GB 本地）

• MODEL → Low VRAM：設為 ON。這啟用額外的檢查點和 shuffling，讓 Qwen‑Image‑Edit‑2509 能塞進 10–12GB 顯卡。
• MODEL → Layer Offloading：如果你仍然遇到 CUDA OOM，設為 ON。預期高 CPU RAM 使用量（≈60GB+）和更慢的步驟，但 GPU VRAM 可以降到約 8–9GB。
• QUANTIZATION → Transformer / Text Encoder：兩者都設為 float8。在這個使用 Qwen 3-bit ARA 適配器的架構中，float8 是穩定品質的實際最低要求。
• TRAINING → Batch Size：鎖定在 1。如果你想要更大的有效批次，增加 Gradient Accumulation 而不是 Batch Size。
• DATASETS → Resolutions：啟用 512 和 768 作為你的主要桶。如果你接受較慢和較脆弱的運行，可以添加 1024；在此等級將帶兩個控制流的 1024×1024 視為實際上限。
• TRAINING → Text Encoder Optimizations / Regularization：如果即使有 Low VRAM 和 Layer Offloading 你也無法塞進 Differential Output Preservation，關閉 DOP 並開啟 Cache Text Embeddings，這樣圖說只編碼一次，text encoder 從 VRAM 釋放。你會失去一些基礎模型保留，但獲得幾 GB 的空間。

---

等級 2 — 緊張的 24GB（3090 / 4090 / 5090 級別）

相比等級 1 你可以放寬什麼：

• MODEL → Low VRAM：在 24GB 上為安全起見保持 ON；一旦你知道你的解析度和控制設定可以舒適地塞進去，你可以嘗試關閉它。
• MODEL → Layer Offloading：通常 OFF。只有在你選擇的解析度和控制流數量上仍然遇到 OOM 時才啟用。
• QUANTIZATION → Transformer / Text Encoder：兩者都保持 float8。在此等級禁用量化很少有幫助，只會燒掉你可以用於解析度或批次大小的 VRAM。
• TRAINING → Batch Size：1 仍然是預設。如果 Low VRAM ON 且量化保持 ON，在 768×768 帶兩個控制時有時可以使用 Batch Size 2。
• DATASETS → Resolutions：啟用 512、768 和 1024。將 768 視為你的「永遠安全」桶，1024 是可能需要 Low VRAM 和可能的部分 offload 的高端桶。
• TRAINING → Text Encoder Optimizations / Regularization：你通常可以保持 Differential Output Preservation ON 和 Cache Text Embeddings OFF，特別是如果你主要在 768×768 訓練。如果你在 24GB 顯卡上絕對需要 1024×1024 且在其他調整後仍然遇到 OOM，下一個槓桿是關閉 DOP 並開啟 Cache Text Embeddings。

---

等級 3 — 舒適的 32GB+ 本地和雲端 H100/H200

在 32GB 本地顯卡和 80–141GB 雲端 GPU（H100 / H200）上，你停止與 VRAM 戰鬥，可以簡化配置：

• MODEL → Low VRAM：可選。你可以在 32GB+ 本地 GPU 和 H100/H200 上關閉它，獲得稍快的步驟和更簡單的追蹤。
• MODEL → Layer Offloading：保持 OFF。所有 Qwen‑Image‑Edit‑2509 組件都可以駐留在 GPU 上。
• QUANTIZATION → Transformer / Text Encoder：預設兩者都保持 float8。在 H100/H200 上你可以嘗試禁用 Text Encoder 量化，但這不是獲得好品質所必需的，與將該 VRAM 用於批次大小或解析度相比收益很小。
• TRAINING → Batch Size：在 32GB 本地 GPU 上使用 1–2，在 H100/H200 上使用 2–4，在 1024×1024 帶兩個控制流。
• TARGET → LoRA Rank：32 是個舒適的預設。對於非常複雜的行為（例如多效果編輯 LoRA），如果你注意過擬合，可以在 H100/H200 上嘗試 48–64。
• DATASETS → Resolutions：主要在 768 和 1024 訓練。你通常可以去掉 512，除非你特別關心低解析度行為。
• TRAINING → Text Encoder Optimizations / Regularization：預設運行 Differential Output Preservation ON 和 Cache Text Embeddings OFF。VRAM 足以保持 text encoder 駐留，你獲得「有觸發詞」和「無觸發詞」行為之間最乾淨的分離。

7. Qwen Edit 2509 LoRA 訓練常見問題及解決方案

7.1 配對錯誤的資料集（順序錯誤 / 人物不匹配）

症狀： 設計出現了，但在錯誤的位置、錯誤的人身上或變形了。

檢查目標和控制資料集是否對齊：shirt_target/img_0001.jpg 應該與 shirt_control/img_0001.jpg 和 shirt_design/img_0001.png 配對，依此類推。如果你手動混合圖片，保持檔名配對，這樣字母順序仍然對齊。

---

7.2 即使有量化也 VRAM OOM

如果你用小的目標解析度（例如 512×512）訓練，但你的控制資料集仍然使用 1024×1024 作為最高桶且 Match Target Res 關閉，每個控制流將以 1024×1024 編碼，而目標只有 512×512。有兩個或三個這樣的控制流，總 latent 大小會比預期大得多，即使啟用了量化你也可能很容易遇到 CUDA OOM。

要解決這個問題：

• 在 MODEL 面板將 Match Target Res 設為 ON，這樣所有控制圖片會自動縮放到與目標相同的解析度桶，或者
• 保持 Match Target Res OFF，但將控制資料集的最高解析度桶降低以匹配目標（去掉 1024，保持 512/768）。

在雲端的 H100/H200 上，你可以為目標和控制都保持 1024×1024 桶，較少依賴這些技巧，但最安全的規則是：當 Match Target Res 禁用時，避免將小目標與非常大的控制混合。

---

7.3 訓練從不收斂 / 看起來隨機

檢查以下內容：

• 在 TRAINING 面板中，noise scheduler 和 timestep 設定仍然對應 FlowMatch。在匯出的 YAML 中你應該看到 noise_scheduler: "flowmatch"，在 SAMPLE 面板中 sampler 也應該設為 FlowMatch；如果 sampler 使用不同的 scheduler，即使 LoRA 正在正確訓練，預覽也可能看起來像純噪聲。
• Learning Rate 不是太高。0.0001 是 Qwen Edit 2509 LoRA 訓練的安全預設；如果預覽在幾百步後繼續振盪或看起來非常不穩定，降低到 0.00005 並從最後一個好的檢查點繼續。

---

7.4 LoRA 過擬合（設計到處滲透）

可能的解決方案：

• 減少總 Steps（例如從 5000 到 3000）。
• 考慮稍低的 LoRA Rank（16 而不是 32）。
• 用不同的人物、姿勢和光照多樣化資料集。
• 確保 Differential Output Preservation 已啟用，如果需要的話稍微增加 DOP Loss Multiplier，這樣基礎行為會被更強地保留。

---

7.5 環境地獄

典型的本地問題包括 CUDA 版本不匹配、錯誤的 PyTorch 構建或與你的 GPU / 作業系統不匹配的驅動程式。在 RunComfy 雲端 AI Toolkit 中這些問題消失了：AI Toolkit 和依賴項已預裝，你直接從 UI 開始使用配置和資料集。

如果你發現修 CUDA 的時間比訓練還多，這通常是將這個特定任務移到雲端更容易的時候。

---

8. 訓練後使用你的 Qwen Edit 2509 LoRA

訓練完成後，你可以用兩種簡單的方式使用你的 Qwen Edit 2509 LoRA：

• 模型 Playground — 打開 Qwen‑Image‑Edit‑2509 LoRA Playground 並貼上你訓練好的 LoRA 的 URL，快速查看它在基礎模型上的表現。
• ComfyUI 工作流 — 啟動一個 ComfyUI 實例，構建你自己的工作流或載入像 Qwen Edit 2509 MultipleAngles 這樣的工作流，在 LoRA 載入節點中換入你的 LoRA，並調整 LoRA 權重和其他設定以獲得更精細的控制。

---

更多 AI Toolkit LoRA 訓練指南

• Qwen-Image-Edit-2511 LoRA 訓練（多圖編輯）
• FLUX.2 Dev LoRA 訓練
• Z-Image Turbo LoRA 訓練（8步 Turbo）
• Wan 2.2 I2V 14B 圖片轉影片 LoRA 訓練
• Wan 2.2 T2V 14B 文字轉影片 LoRA 訓練
• Qwen Image 2512 LoRA 訓練
• AI Toolkit LTX-2 LoRA訓練