简介这份资源是面向多模态模型开发者与AI训练爱好者的Qwen-Image LoRA训练实战代码包聚焦阿里开源20B模型在中文场景下的微调落地帮助读者解决从架构理解到异常修复的完整链路问题。包内共5个文件以Python训练脚本为核心辅以HTML说明页、Markdown文档、.inscode配置与.gitignore压缩包约12KB结构轻量便于快速上手。内容围绕三层融合架构视觉编码器、文本编码器、多模态融合器展开涵盖LoRA低秩分解与参数优化原理、60图小样本数据集构建、训练与推理速度优化策略并针对手脚异常给出数据增强与结构约束损失函数方案同时涉及中文提示词优化、动态秩调整及多LoRA融合等进阶技巧。已有164人学习适合希望以较低算力成本掌握Qwen-Image微调排错思路的中高级开发者参考。1. 从一张 4090 到可用的 Qwen-Image LoRA这份代码包到底能省掉哪些弯路如果你手里只有一张 24G 显存的消费级卡却想给 Qwen-Image 这种级别的文生图底座训一个专属风格的 LoRA大概率会在环境依赖、显存分配和训练配置这三件事上反复翻车。这份「阿里 Qwen-Image LoRA 训练指南」配套代码包解决的正是这个场景它不是一份泛泛的原理文档而是一套能直接跑起来的训练工程把数据准备、LoRA 注入、训练循环、权重导出这几段最容易出错的链路都固化成了脚本。适合两类人一是想给自家产品做垂直风格模型但不想从零搭训练框架的开发者二是已经跑通过 SD 系 LoRA、想迁移到 Qwen-Image 架构上的熟手。代码包本身是工程化的意味着你拿到手改几个路径和超参就能开跑而不是先花两天读源码。2. Qwen-Image 的 LoRA 注入点为什么不能照搬 SD 的 target_modulesQwen-Image 的骨干和 Stable Diffusion 系列在注意力结构上不是一回事最直接的后果就是你在 SD 上习惯的那套to_q / to_k / to_v / to_out目标模块命名直接搬到 Qwen-Image 上大概率会命中零个模块训练跑起来 loss 一动不动你还以为是学习率的问题。这一章先把「往哪儿挂 LoRA」讲清楚再落到代码包里的实际配置。2.1 先搞清楚 Qwen-Image 的注意力层长什么样Qwen-Image 走的是 DiTDiffusion Transformer路线文本和图像 token 在同一个注意力空间里做交互所以它的注意力模块命名和纯 UNet 的 SD 完全不同。常见做法是先打印一遍模型的所有线性层名字再决定挂哪些。代码包里一般会带一个探测脚本逻辑就是遍历named_modules()把nn.Linear的层名全列出来你肉眼扫一遍就能定位到注意力投影层。import torch from diffusers import QwenImagePipeline # 加载底座只为了看结构不推理 pipe QwenImagePipeline.from_pretrained( Qwen/Qwen-Image, torch_dtypetorch.bfloat16, ) transformer pipe.transformer # 列出所有线性层重点看含 attn / to_q / to_k / to_v / proj 的 for name, module in transformer.named_modules(): if isinstance(module, torch.nn.Linear): print(name, tuple(module.weight.shape))这段代码的作用是「侦察」而不是训练。参数上注意两点torch_dtype用bfloat16是为了和后续训练精度对齐别用float16去看结构否则某些层 shape 打印会受量化影响from_pretrained这里只加载结构实际训练时是否复用同一份权重由训练脚本决定。跑完你会看到类似transformer_blocks.0.attn.to_q这样的命名具体前缀以你拉到的版本为准不要照抄网上 SD 的配置。2.2 target_modules 怎么选全挂还是只挂注意力选 target_modules 的核心权衡是「表达力 vs 显存 vs 过拟合风险」。全挂所有线性层风格拟合最快但显存吃紧且小数据集上极易过拟合只挂注意力的 q/k/v/out是绝大多数风格 LoRA 的甜点区。代码包里通常把这块抽成配置项我一般会先按下面这个保守配置起步from peft import LoraConfig lora_config LoraConfig( r16, # 秩风格任务 8~32 够用先 16 lora_alpha16, # 一般设成 r 或 2r这里 1:1 lora_dropout0.05, # 小数据集加一点防过拟合 target_modules[ to_q, to_k, to_v, to_out.0, ], biasnone, )r16是风格 LoRA 的常见起点lora_alpha和r的比值决定缩放强度1:1 是稳妥默认lora_dropout0.05在几百张图的小集上能明显压住过拟合。target_modules用短名匹配PEFT 会做后缀匹配所以不用写全路径。如果你的底座版本里注意力投影叫别的名字回到 2.1 的探测结果改这里这是最容易踩的坑没有之一。2.3 把 LoRA 真正注入并确认生效配置写完不等于挂上了。注入后必须验证「可训练参数数量」和「梯度是否真的流到 LoRA 层」否则你会遇到训练半天权重没变的黑匣子情况。from peft import get_peft_model model get_peft_model(transformer, lora_config) model.print_trainable_parameters() # 期望输出类似trainable params: 8,xxx,xxx || all params: 20,xxx,xxx,xxx || trainable%: 0.04 # 抽查一个 LoRA 层是否真的被替换 for name, module in model.named_modules(): if lora_A in name: print(injected:, name) breakprint_trainable_parameters()是最快的体检手段如果 trainable% 是 0说明 target_modules 一个都没匹配上如果接近 100%说明你把底座也解冻了显存会直接爆。正常风格 LoRA 的可训练占比在 0.01%~0.1% 量级。第二段抽查是为了确认lora_A层真实存在别只信配置对象。3. 数据与训练循环让 loss 真的往下走的四个关键设置环境通了、LoRA 挂上了接下来才是真正决定成败的部分数据怎么组织、分辨率怎么定、优化器怎么配、显存怎么省。这一章按训练脚本的执行顺序拆每一步都给出可抄的配置和背后的理由。3.1 数据集组织与 caption 的写法Qwen-Image 对文本编码器的依赖比 SD 更重caption 写得糙风格是学到了但可控性会很差。常见做法是「图片 同名 txt」的目录结构txt 里写一句自然语言描述而不是 SD 时代那种逗号堆砌的 tag。dataset/ ├── 0001.jpg ├── 0001.txt # a portrait of a woman, soft watercolor style, warm tone ├── 0002.jpg └── 0002.txtcaption 里我一般会固定一个「触发词 内容描述 风格描述」的三段式触发词用生僻组合避免和底座已有概念冲突。别把所有图都写成同一句那样模型学不到内容与风格的解耦推理时你换个主体就崩。数据量上风格 LoRA 200~500 张就能出效果少于 100 张建议先做数据增强或降低 r。3.2 分辨率、batch 与梯度累积的显存账24G 卡上跑 Qwen-Image LoRA分辨率和 batch 是最直接的显存开关。常见配置是 1024 分辨率、batch1、梯度累积 4~8 步来凑等效 batch。代码包里一般用 accelerate 或原生训练循环管理这块。train_config { resolution: 1024, train_batch_size: 1, gradient_accumulation_steps: 8, # 等效 batch 8 learning_rate: 1e-4, lr_scheduler: cosine, max_train_steps: 2000, mixed_precision: bf16, gradient_checkpointing: True, # 用时间换显存 }gradient_accumulation_steps8是在单卡小 batch 下稳定梯度的常规手段等效 batch 太小 loss 会抖。learning_rate1e-4是 LoRA 的常用量级比全量微调高一个数量级因为可训练参数少。gradient_checkpointingTrue能省下可观的激活显存代价是训练慢 20%~30%显存不够时这是第一优先级的后悔药。max_train_steps别设太大风格 LoRA 通常 1500~3000 步就收敛跑多了纯属过拟合。3.3 优化器与学习率调度的选择LoRA 训练里优化器不用太花哨AdamW 8bit 是省显存又稳的默认选择配合 cosine 调度基本能覆盖大多数场景。from transformers import AdamW, get_cosine_schedule_with_warmup optimizer AdamW( [p for p in model.parameters() if p.requires_grad], lr1e-4, betas(0.9, 0.999), weight_decay1e-2, ) scheduler get_cosine_schedule_with_warmup( optimizer, num_warmup_steps100, # 前 100 步线性升温防早期震荡 num_training_steps2000, )只把requires_gradTrue的参数交给优化器这是防止误训底座的关键一行。weight_decay1e-2对 LoRA 权重做轻微正则小数据集上能压过拟合。num_warmup_steps100是经验值占总步数 5% 左右warmup 太短早期 loss 会炸太长则收敛慢。3.4 训练循环里必须盯的三个信号跑起来之后别当甩手掌柜loss 曲线、显存占用、样本预览这三样要定期看。代码包里一般会带周期性采样保存的逻辑。for step, batch in enumerate(train_dataloader): with torch.autocast(cuda, dtypetorch.bfloat16): loss model(**batch).loss loss loss / train_config[gradient_accumulation_steps] loss.backward() if (step 1) % train_config[gradient_accumulation_steps] 0: optimizer.step() scheduler.step() optimizer.zero_grad() if step % 100 0: print(fstep {step}, loss {loss.item():.4f}) if step % 500 0: save_lora_weights(model, fckpt-{step})loss 除以累积步数是必须的否则等效学习率被放大。optimizer.zero_grad()放在 step 之后而不是循环开头配合累积逻辑才正确。每 500 步存一次 checkpoint方便你回滚到过拟合之前的那一版——这是血泪经验风格 LoRA 后期过拟合非常快没有中间存档你只能重跑。4. 避坑与排查训练不收敛、爆显存、出图糊的现场处理这一章全是实际跑的时候会撞上的问题按「现象 → 原因 → 解决」写遇到对号入座即可。4.1 现象loss 从第一步就不降一直在高位抖原因通常是 target_modules 没匹配上LoRA 层根本没参与计算或者学习率被梯度累积放大了。先回到 2.3 确认 trainable% 不为 0再检查 loss 是否除以了累积步数。如果两者都对把学习率降到 5e-5 试 200 步还不动就是数据 caption 和图像严重不匹配模型学不到东西。4.2 现象训练几十步后显存爆掉原因多半是 gradient_checkpointing 没开或者采样预览时没释放中间激活。解决是先开gradient_checkpointingTrue再把预览采样频率从每 100 步降到每 500 步采样时用torch.no_grad()包住并手动torch.cuda.empty_cache()。如果还爆把分辨率从 1024 降到 768风格 LoRA 对分辨率没那么敏感。4.3 现象出图风格是学到了但画面糊、结构崩原因是训练步数过多导致过拟合或者 caption 里风格词权重压过了内容词。解决是回滚到中间 checkpoint把max_train_steps砍掉三分之一并在 caption 里保证内容描述占主导。另一个常见诱因是lora_alpha设得过高缩放强度太大把它降到和 r 相等再试。4.4 现象推理时加载 LoRA 报 key 不匹配原因是训练和推理用的底座版本不一致或者保存权重时把前缀写进了 key。解决是确认两边from_pretrained的模型 ID 完全一致导出时用 PEFT 的save_pretrained而不是手动state_dict让框架处理前缀。跨版本迁移 LoRA 基本不可行别在这上面浪费时间。5. 权重导出与推理验证把训练成果真正用起来训练跑完只是半程能不能在推理管线里稳定复现风格才是这份代码包的最终价值。这一章讲导出格式、加载方式和几个验证技巧。5.1 导出成 PEFT 标准格式别自己拼 state_dict直接用 PEFT 的保存接口它会处理好 key 前缀和配置文件。model.save_pretrained(qwen-image-style-lora) # 目录下会得到 adapter_config.json adapter_model.safetensorsadapter_config.json里记录了 r、alpha、target_modules推理时框架靠它自动重建结构所以这个文件不能丢。adapter_model.safetensors是实际权重体积通常在几十到几百 MB取决于 r 和挂载层数。5.2 在推理管线里加载并验证加载时用load_lora_weights然后固定 seed 跑几张对比图确认风格稳定且没把底座带崩。pipe QwenImagePipeline.from_pretrained( Qwen/Qwen-Image, torch_dtypetorch.bfloat16, ).to(cuda) pipe.load_lora_weights(qwen-image-style-lora) pipe.fuse_lora(lora_scale0.8) # 0.8 是常用强度1.0 可能过 generator torch.Generator(cuda).manual_seed(42) image pipe( prompta portrait of a woman, soft watercolor style, warm tone, num_inference_steps30, guidance_scale4.0, generatorgenerator, ).images[0] image.save(verify.png)lora_scale0.8是推理时的强度旋钮训练过拟合时调低它能救回不少画面。guidance_scale4.0是 Qwen-Image 上比较稳的值太高画面会僵。固定 seed 是为了让每次验证可比换 seed 出图差异大说明风格没学稳回去补数据或加步数。5.3 一个我每次都会走的验证习惯导出后我一定会做「三图对照」同一 prompt 分别用底座、LoRA 强度 0.5、LoRA 强度 1.0 各出一张横向比风格迁移幅度和结构保真度。强度 0.5 和 1.0 差异过大说明 LoRA 学得太激进推理时就得靠调 scale 找平衡差异过小则说明训练不足。从那以后我每次训完 LoRA 都强制走一遍这个对照再决定交付哪个 scale 作为默认值。希望这套流程能帮到你少在显存和收敛上反复折腾。本文还有配套的精品资源点击获取 单卡24G训Qwen-Image LoRA：从注入到推理的工程指南
简介这份资源是面向多模态模型开发者与AI训练爱好者的Qwen-Image LoRA训练实战代码包聚焦阿里开源20B模型在中文场景下的微调落地帮助读者解决从架构理解到异常修复的完整链路问题。包内共5个文件以Python训练脚本为核心辅以HTML说明页、Markdown文档、.inscode配置与.gitignore压缩包约12KB结构轻量便于快速上手。内容围绕三层融合架构视觉编码器、文本编码器、多模态融合器展开涵盖LoRA低秩分解与参数优化原理、60图小样本数据集构建、训练与推理速度优化策略并针对手脚异常给出数据增强与结构约束损失函数方案同时涉及中文提示词优化、动态秩调整及多LoRA融合等进阶技巧。已有164人学习适合希望以较低算力成本掌握Qwen-Image微调排错思路的中高级开发者参考。1. 从一张 4090 到可用的 Qwen-Image LoRA这份代码包到底能省掉哪些弯路如果你手里只有一张 24G 显存的消费级卡却想给 Qwen-Image 这种级别的文生图底座训一个专属风格的 LoRA大概率会在环境依赖、显存分配和训练配置这三件事上反复翻车。这份「阿里 Qwen-Image LoRA 训练指南」配套代码包解决的正是这个场景它不是一份泛泛的原理文档而是一套能直接跑起来的训练工程把数据准备、LoRA 注入、训练循环、权重导出这几段最容易出错的链路都固化成了脚本。适合两类人一是想给自家产品做垂直风格模型但不想从零搭训练框架的开发者二是已经跑通过 SD 系 LoRA、想迁移到 Qwen-Image 架构上的熟手。代码包本身是工程化的意味着你拿到手改几个路径和超参就能开跑而不是先花两天读源码。2. Qwen-Image 的 LoRA 注入点为什么不能照搬 SD 的 target_modulesQwen-Image 的骨干和 Stable Diffusion 系列在注意力结构上不是一回事最直接的后果就是你在 SD 上习惯的那套to_q / to_k / to_v / to_out目标模块命名直接搬到 Qwen-Image 上大概率会命中零个模块训练跑起来 loss 一动不动你还以为是学习率的问题。这一章先把「往哪儿挂 LoRA」讲清楚再落到代码包里的实际配置。2.1 先搞清楚 Qwen-Image 的注意力层长什么样Qwen-Image 走的是 DiTDiffusion Transformer路线文本和图像 token 在同一个注意力空间里做交互所以它的注意力模块命名和纯 UNet 的 SD 完全不同。常见做法是先打印一遍模型的所有线性层名字再决定挂哪些。代码包里一般会带一个探测脚本逻辑就是遍历named_modules()把nn.Linear的层名全列出来你肉眼扫一遍就能定位到注意力投影层。import torch from diffusers import QwenImagePipeline # 加载底座只为了看结构不推理 pipe QwenImagePipeline.from_pretrained( Qwen/Qwen-Image, torch_dtypetorch.bfloat16, ) transformer pipe.transformer # 列出所有线性层重点看含 attn / to_q / to_k / to_v / proj 的 for name, module in transformer.named_modules(): if isinstance(module, torch.nn.Linear): print(name, tuple(module.weight.shape))这段代码的作用是「侦察」而不是训练。参数上注意两点torch_dtype用bfloat16是为了和后续训练精度对齐别用float16去看结构否则某些层 shape 打印会受量化影响from_pretrained这里只加载结构实际训练时是否复用同一份权重由训练脚本决定。跑完你会看到类似transformer_blocks.0.attn.to_q这样的命名具体前缀以你拉到的版本为准不要照抄网上 SD 的配置。2.2 target_modules 怎么选全挂还是只挂注意力选 target_modules 的核心权衡是「表达力 vs 显存 vs 过拟合风险」。全挂所有线性层风格拟合最快但显存吃紧且小数据集上极易过拟合只挂注意力的 q/k/v/out是绝大多数风格 LoRA 的甜点区。代码包里通常把这块抽成配置项我一般会先按下面这个保守配置起步from peft import LoraConfig lora_config LoraConfig( r16, # 秩风格任务 8~32 够用先 16 lora_alpha16, # 一般设成 r 或 2r这里 1:1 lora_dropout0.05, # 小数据集加一点防过拟合 target_modules[ to_q, to_k, to_v, to_out.0, ], biasnone, )r16是风格 LoRA 的常见起点lora_alpha和r的比值决定缩放强度1:1 是稳妥默认lora_dropout0.05在几百张图的小集上能明显压住过拟合。target_modules用短名匹配PEFT 会做后缀匹配所以不用写全路径。如果你的底座版本里注意力投影叫别的名字回到 2.1 的探测结果改这里这是最容易踩的坑没有之一。2.3 把 LoRA 真正注入并确认生效配置写完不等于挂上了。注入后必须验证「可训练参数数量」和「梯度是否真的流到 LoRA 层」否则你会遇到训练半天权重没变的黑匣子情况。from peft import get_peft_model model get_peft_model(transformer, lora_config) model.print_trainable_parameters() # 期望输出类似trainable params: 8,xxx,xxx || all params: 20,xxx,xxx,xxx || trainable%: 0.04 # 抽查一个 LoRA 层是否真的被替换 for name, module in model.named_modules(): if lora_A in name: print(injected:, name) breakprint_trainable_parameters()是最快的体检手段如果 trainable% 是 0说明 target_modules 一个都没匹配上如果接近 100%说明你把底座也解冻了显存会直接爆。正常风格 LoRA 的可训练占比在 0.01%~0.1% 量级。第二段抽查是为了确认lora_A层真实存在别只信配置对象。3. 数据与训练循环让 loss 真的往下走的四个关键设置环境通了、LoRA 挂上了接下来才是真正决定成败的部分数据怎么组织、分辨率怎么定、优化器怎么配、显存怎么省。这一章按训练脚本的执行顺序拆每一步都给出可抄的配置和背后的理由。3.1 数据集组织与 caption 的写法Qwen-Image 对文本编码器的依赖比 SD 更重caption 写得糙风格是学到了但可控性会很差。常见做法是「图片 同名 txt」的目录结构txt 里写一句自然语言描述而不是 SD 时代那种逗号堆砌的 tag。dataset/ ├── 0001.jpg ├── 0001.txt # a portrait of a woman, soft watercolor style, warm tone ├── 0002.jpg └── 0002.txtcaption 里我一般会固定一个「触发词 内容描述 风格描述」的三段式触发词用生僻组合避免和底座已有概念冲突。别把所有图都写成同一句那样模型学不到内容与风格的解耦推理时你换个主体就崩。数据量上风格 LoRA 200~500 张就能出效果少于 100 张建议先做数据增强或降低 r。3.2 分辨率、batch 与梯度累积的显存账24G 卡上跑 Qwen-Image LoRA分辨率和 batch 是最直接的显存开关。常见配置是 1024 分辨率、batch1、梯度累积 4~8 步来凑等效 batch。代码包里一般用 accelerate 或原生训练循环管理这块。train_config { resolution: 1024, train_batch_size: 1, gradient_accumulation_steps: 8, # 等效 batch 8 learning_rate: 1e-4, lr_scheduler: cosine, max_train_steps: 2000, mixed_precision: bf16, gradient_checkpointing: True, # 用时间换显存 }gradient_accumulation_steps8是在单卡小 batch 下稳定梯度的常规手段等效 batch 太小 loss 会抖。learning_rate1e-4是 LoRA 的常用量级比全量微调高一个数量级因为可训练参数少。gradient_checkpointingTrue能省下可观的激活显存代价是训练慢 20%~30%显存不够时这是第一优先级的后悔药。max_train_steps别设太大风格 LoRA 通常 1500~3000 步就收敛跑多了纯属过拟合。3.3 优化器与学习率调度的选择LoRA 训练里优化器不用太花哨AdamW 8bit 是省显存又稳的默认选择配合 cosine 调度基本能覆盖大多数场景。from transformers import AdamW, get_cosine_schedule_with_warmup optimizer AdamW( [p for p in model.parameters() if p.requires_grad], lr1e-4, betas(0.9, 0.999), weight_decay1e-2, ) scheduler get_cosine_schedule_with_warmup( optimizer, num_warmup_steps100, # 前 100 步线性升温防早期震荡 num_training_steps2000, )只把requires_gradTrue的参数交给优化器这是防止误训底座的关键一行。weight_decay1e-2对 LoRA 权重做轻微正则小数据集上能压过拟合。num_warmup_steps100是经验值占总步数 5% 左右warmup 太短早期 loss 会炸太长则收敛慢。3.4 训练循环里必须盯的三个信号跑起来之后别当甩手掌柜loss 曲线、显存占用、样本预览这三样要定期看。代码包里一般会带周期性采样保存的逻辑。for step, batch in enumerate(train_dataloader): with torch.autocast(cuda, dtypetorch.bfloat16): loss model(**batch).loss loss loss / train_config[gradient_accumulation_steps] loss.backward() if (step 1) % train_config[gradient_accumulation_steps] 0: optimizer.step() scheduler.step() optimizer.zero_grad() if step % 100 0: print(fstep {step}, loss {loss.item():.4f}) if step % 500 0: save_lora_weights(model, fckpt-{step})loss 除以累积步数是必须的否则等效学习率被放大。optimizer.zero_grad()放在 step 之后而不是循环开头配合累积逻辑才正确。每 500 步存一次 checkpoint方便你回滚到过拟合之前的那一版——这是血泪经验风格 LoRA 后期过拟合非常快没有中间存档你只能重跑。4. 避坑与排查训练不收敛、爆显存、出图糊的现场处理这一章全是实际跑的时候会撞上的问题按「现象 → 原因 → 解决」写遇到对号入座即可。4.1 现象loss 从第一步就不降一直在高位抖原因通常是 target_modules 没匹配上LoRA 层根本没参与计算或者学习率被梯度累积放大了。先回到 2.3 确认 trainable% 不为 0再检查 loss 是否除以了累积步数。如果两者都对把学习率降到 5e-5 试 200 步还不动就是数据 caption 和图像严重不匹配模型学不到东西。4.2 现象训练几十步后显存爆掉原因多半是 gradient_checkpointing 没开或者采样预览时没释放中间激活。解决是先开gradient_checkpointingTrue再把预览采样频率从每 100 步降到每 500 步采样时用torch.no_grad()包住并手动torch.cuda.empty_cache()。如果还爆把分辨率从 1024 降到 768风格 LoRA 对分辨率没那么敏感。4.3 现象出图风格是学到了但画面糊、结构崩原因是训练步数过多导致过拟合或者 caption 里风格词权重压过了内容词。解决是回滚到中间 checkpoint把max_train_steps砍掉三分之一并在 caption 里保证内容描述占主导。另一个常见诱因是lora_alpha设得过高缩放强度太大把它降到和 r 相等再试。4.4 现象推理时加载 LoRA 报 key 不匹配原因是训练和推理用的底座版本不一致或者保存权重时把前缀写进了 key。解决是确认两边from_pretrained的模型 ID 完全一致导出时用 PEFT 的save_pretrained而不是手动state_dict让框架处理前缀。跨版本迁移 LoRA 基本不可行别在这上面浪费时间。5. 权重导出与推理验证把训练成果真正用起来训练跑完只是半程能不能在推理管线里稳定复现风格才是这份代码包的最终价值。这一章讲导出格式、加载方式和几个验证技巧。5.1 导出成 PEFT 标准格式别自己拼 state_dict直接用 PEFT 的保存接口它会处理好 key 前缀和配置文件。model.save_pretrained(qwen-image-style-lora) # 目录下会得到 adapter_config.json adapter_model.safetensorsadapter_config.json里记录了 r、alpha、target_modules推理时框架靠它自动重建结构所以这个文件不能丢。adapter_model.safetensors是实际权重体积通常在几十到几百 MB取决于 r 和挂载层数。5.2 在推理管线里加载并验证加载时用load_lora_weights然后固定 seed 跑几张对比图确认风格稳定且没把底座带崩。pipe QwenImagePipeline.from_pretrained( Qwen/Qwen-Image, torch_dtypetorch.bfloat16, ).to(cuda) pipe.load_lora_weights(qwen-image-style-lora) pipe.fuse_lora(lora_scale0.8) # 0.8 是常用强度1.0 可能过 generator torch.Generator(cuda).manual_seed(42) image pipe( prompta portrait of a woman, soft watercolor style, warm tone, num_inference_steps30, guidance_scale4.0, generatorgenerator, ).images[0] image.save(verify.png)lora_scale0.8是推理时的强度旋钮训练过拟合时调低它能救回不少画面。guidance_scale4.0是 Qwen-Image 上比较稳的值太高画面会僵。固定 seed 是为了让每次验证可比换 seed 出图差异大说明风格没学稳回去补数据或加步数。5.3 一个我每次都会走的验证习惯导出后我一定会做「三图对照」同一 prompt 分别用底座、LoRA 强度 0.5、LoRA 强度 1.0 各出一张横向比风格迁移幅度和结构保真度。强度 0.5 和 1.0 差异过大说明 LoRA 学得太激进推理时就得靠调 scale 找平衡差异过小则说明训练不足。从那以后我每次训完 LoRA 都强制走一遍这个对照再决定交付哪个 scale 作为默认值。希望这套流程能帮到你少在显存和收敛上反复折腾。本文还有配套的精品资源点击获取