LoRA 训练 / 角色 LoRA

让角色，在不同场景中保持辨识度。

Q: 角色 LoRA需要先准备什么？

把身份特征与偶然细节分开。场景、服装或构图变化后，有效的角色概念仍应保持辨识度。 角色是训练目标，不是基础模型。请选择兼容的图片训练器，并将准确模型版本与角色数据集一起保留。

准备原创或已获授权的角色数据集，有意识地变化姿势、表情、视角和背景，并探索兼容的基础模型流程。

简明说明： 配置服务并准备足够积分及兼容数据集后，可训练已支持的图片和视频 LoRA。每种 LoRA 必须使用对应生成器；目录展示不代表模型互相兼容。

准备训练数据集查看场景示例

已接入 Krea 2、FLUX.1、FLUX.2 Dev、Qwen Image、Z-Image、Wan 2.2 I2V 和 LTX-2 19B 云端训练。提交前请配置所需服务、登录并核对积分报价。

训练数据集

添加你希望模型学习的风格、角色或物体图片。

图片数量0 / 30

平均短边分辨率—

图片描述0 / 0

提交前素材仅在当前标签页；提交 Krea 2 训练后，图片和描述会上传到 fal。刷新会清空本地文件，但云端任务可在「我的 LoRA」继续查看。

从清晰、集中的数据集开始

使用同一角色的不同角度、表情、光线和背景，减少不必要的关联。

登录账户

训练能力与使用条件

以下费用和限制读取自应用配置。已接入表示代码具备相关功能，不代表已核实供应商实时状态或完成真实训练验证。

云端训练的输入、积分与兼容输出
模型	接入状态	云端输入限制	积分与参数	输出与兼容性
Krea 2	已接入，需配置服务	1–30 张 JPEG、PNG 或 WebP 图片，配合描述和触发词。单张最多 15 MiB，合计最多 25 MiB。	训练每次 100 积分；生成每张 10 积分；固定训练步数 100。	成功后获得 LoRA 权重，使用配对的 Krea 2 生成模型；不代表与其他基础模型兼容。
FLUX.1 Dev	已接入，需配置服务	4–30 张 JPEG、PNG 或 WebP 图片，配合描述和触发词。单张最多 15 MiB，合计最多 25 MiB。	训练每次 167 积分；生成每张 10 积分；固定训练步数 500。	成功后获得 LoRA 权重，使用配对的 FLUX.1 Dev 生成模型；不代表与其他基础模型兼容。
FLUX.2 Dev	已接入，需配置服务	10–30 张 JPEG、PNG 或 WebP 图片，配合描述和触发词。单张最多 15 MiB，合计最多 25 MiB。	训练每次 2134 积分；生成每张 14 积分；固定训练步数 1000。	成功后获得 LoRA 权重，使用配对的 FLUX.2 Dev 生成模型；不代表与其他基础模型兼容。
Qwen Image 2512	已接入，需配置服务	4–30 张 JPEG、PNG 或 WebP 图片，配合描述和触发词。单张最多 15 MiB，合计最多 25 MiB。	训练每次 167 积分；生成每张 10 积分；固定训练步数 500。	成功后获得 LoRA 权重，使用配对的 Qwen Image 2512 生成模型；不代表与其他基础模型兼容。
Z-Image Turbo	已接入，需配置服务	4–30 张 JPEG、PNG 或 WebP 图片，配合描述和触发词。单张最多 15 MiB，合计最多 25 MiB。	训练每次 209 积分；生成每张 10 积分；固定训练步数 500。	成功后获得 LoRA 权重，使用配对的 Z-Image Turbo 生成模型；不代表与其他基础模型兼容。
Wan 2.2	已接入，需配置服务	3–10 个 MP4 片段及触发词。单个最多 8 MiB，总计最多 24 MiB。	训练：每次 1667 积分；生成：每 5 秒视频 67 积分；固定训练步数：100。	成功后获得 LoRA 权重，使用配对的 Wan 2.2 生成模型；不代表与其他基础模型兼容。
LTX-2 19B	已接入，需配置服务	3–10 个 MP4 片段及触发词。单个最多 8 MiB，总计最多 24 MiB。	训练：每次 584 积分；生成：每 5 秒视频 34 积分；固定训练步数：500。	成功后获得 LoRA 权重，使用配对的 LTX-2 19B 生成模型；不代表与其他基础模型兼容。

云端任务需要登录和足够积分。Krea 2 需要配置 Fal；WaveSpeed 图片及视频训练需要配置 WaveSpeed 和 R2 存储。

提交云端训练会将所选素材和标注发送给服务商。图片和视频的数据集限制不同，请在提交前确认账号可用。

专注训练准备

为角色 LoRA整理清晰的准备流程。

把身份特征与偶然细节分开。场景、服装或构图变化后，有效的角色概念仍应保持辨识度。

匹配基础模型

选择流程前，比较模型家族、版本与开放情况。

检查原始文件

读取真实图片尺寸，在导出前检查本地文件限制。

逐张检查描述

说明变化细节，避免无意中将其当作目标概念学习。

保留可复用草稿

一起导出设置与描述，原始图片文件独立保留。

值得模型学习的创意

角色 LoRA的概念与场景示例。

从三个方向定义训练概念。每张参考图都链接到对应工作流，包含数据集建议与评估提示词。

同一个角色，新的场景。

原创陶瓷探险机器人为数据集提供明确的角色身份。变化角度、姿态与环境，避免重复同一种构图。

图片描述示例ohwx_robot, a ceramic explorer with blue glass eyes, standing beside an alpine lake in daylight.

查看角色 LoRA 训练

让风格跨越主体。

用海岸插画作为视觉语言参考。风格数据集应变换主体，同时保持材质、色彩与笔触的一致性。

图片描述示例A coastal village in ohwx_style, gouache texture, warm flat colors and fine ink contours.

查看风格 LoRA 训练

保留产品的辨识特征。

无品牌琥珀色瓶子便于观察形状与材质。补充玻璃瓶身与瓶盖的不同角度，避免只学习同一个背景。

图片描述示例ohwx_bottle, an amber glass bottle with a round walnut cap, on a travertine surface in window light.

查看产品 LoRA 训练

这些原创图片由 AI 生成，仅作为概念参考；不是 Loras AI 的训练产物、前后对比或模型性能证明。

从目标到评估

如何准备角色 LoRA概念。

按照所选模型的要求准备图片或视频数据集，检查触发词和标注后提交训练。训练完成后，在对应的生成器中使用权重。

1
确定一个概念
先确定你需要的是可辨识的角色、可迁移的风格、独特的产品，还是某个动作。
阅读笔记
2
整理有效样例
保持目标概念一致，同时变化你不希望模型记住的细节。
阅读笔记
3
检查描述并导出
检查文件尺寸，逐张编辑描述，并在离开工作台前导出本地配置。
阅读笔记
4
规划测试提示词
对已完成训练的兼容 LoRA 使用新提示词，记录模型、参数、成功结果与失败案例，对照基础模型判断是否学到了目标概念。
阅读笔记

数据集与兼容性

准备更扎实的角色 LoRA数据集。

角色是训练目标，不是基础模型。请选择兼容的图片训练器，并将准确模型版本与角色数据集一起保留。

阅读数据集准备指南

每张选图都应能辨识为同一角色。
有意识地变化表情、视角与姿势。
变化背景，避免角色与某个地点绑定。
描述希望保持可变化的服装与道具。

提示词笔记

用于角色 LoRA评估的新提示词。

保存这些思路，用于之后评估兼容的训练适配器。它们是提示词示例，不代表生成结果或效果保证。

换一个环境

ohwx_robot exploring a quiet greenhouse, three-quarter view, soft morning light.

尝试新的动作

ohwx_robot opening a small field notebook beside a mountain trail, full-body composition.

观察近景细节

A close-up portrait of ohwx_robot, blue glass eyes, plain warm gray background, soft studio light.

改变光线

ohwx_robot standing on a wooden pier at blue hour, gentle reflections, wide composition.

建立简单基准

ohwx_robot standing on a neutral background, front view, even lighting, no other objects.

变化构图

ohwx_robot sitting beside a large fern leaf, low camera angle, natural daylight.

把准备工作做扎实。

了解素材选择、图片描述、训练设置，以及如何判断模型真正学到了什么。

LoRA 训练需要多少张图片？关注有效变化，而不是依赖一个适用于所有模型的数量。LoRA 图片描述实用指南区分目标概念与变化细节，包含角色、风格和产品示例。理解训练步数，减少盲目调整调整高级参数前，先理解步数、学习率与过拟合。如何评估训练后的 LoRA测试新提示词，对照基础模型，记录有价值的失败结果。

FAQ

关于角色 LoRA，训练前需要了解的问题。

针对所选模型的实用说明，并明确当前开放情况。

角色 LoRA需要先准备什么？

把身份特征与偶然细节分开。场景、服装或构图变化后，有效的角色概念仍应保持辨识度。角色是训练目标，不是基础模型。请选择兼容的图片训练器，并将准确模型版本与角色数据集一起保留。

如何评估角色 LoRA概念？

尝试新的姿势、背景与光线，通过基础模型对照判断身份辨识度，而不是只看是否重现某张训练图。

现在可以在这个页面提交付费训练吗？

Krea 2、FLUX.1、FLUX.2 Dev、Qwen Image、Z-Image、Wan 2.2 I2V 和 LTX-2 19B 已接入训练及配套生成。付费任务需要配置服务、登录并准备足够积分。其他目录模型仍为预览。

添加的图片会如何处理？

仅整理本地草稿时，图片在当前浏览器标签页内处理，导出的 JSON 不含原图；刷新或离开会清空本地图片。提交云端训练时，选中的数据集与描述会发送给供应商；WaveSpeed 训练还会使用已配置的 R2 存储保存数据集和归档产物，存储隐私取决于存储桶访问配置。生图会将提示词和所选 LoRA 引用发送给对应服务。请仅提交有权使用的素材。

同一个 LoRA 能用于所有图片和视频模型吗？

不能直接互换。需要匹配模型架构、基础版本和加载流程。Krea 2、MOSS 与 Anima 使用各自兼容的权重；名称相似不代表兼容。视频模型的工作流程还可能需要多个适配器文件。

继续探索

寻找兼容的下一步流程。

选择训练流程前，先比较相关模型家族。适配器格式与基础模型版本必须保持兼容。

风格 LoRA 产品 LoRA 视频 LoRA

从这里开始准备角色 LoRA概念。

选择匹配的模型，整理图片与描述，再提交已开放的训练或生图流程。你也可以先免费导出数据集配置草稿。