系统性学习Lora商业模型FLux／Qwen／Zimage训练实战课，0基础入门至进阶，全面掌握lora训练核心内容

系统性学习Lora商业模型FLux／Qwen／Zimage训练实战课，0基础入门至进阶，全面掌握lora训练核心内容

FLux LoRA 模型训练

• 数据集准备：收集 20-30 张高分辨率图像，尺寸统一为 1024×1024、1536×1024 或 1024×1536 像素，图像应风格统一，无文字、水印等干扰。在阿里云 PAI ArtLab 平台创建数据集，将图像上传。若未打标，可借助 ComfyUI 专享版工具打标，设置好触发词、打标主体英文名称等参数。
• 模型训练：使用 Kohya 专享版工具进行训练。设置好 network rank、alpha 值等参数，根据公式 “模型训练总步数 = 图片数量 ×repeat 数量 ×epoch/batch_size”，控制训练总步数在 3000-4000 步左右，repeat 值可设为 10-15，epoch 设为 10-15。训练完成后可将模型部署至主流 AI 绘画平台。

Qwen LoRA 模型训练

• 环境准备：以 Qwen2.5-7B-Instruct 为例，可使用已预装相关依赖的镜像环境。通过 “nvidia – smi -L”“ls -lh /root/Qwen2.5-7B – Instruct/”“swift –version” 三条命令确认显卡、模型文件和框架可用。
• 数据准备：若要让模型修改 “自我认知”，可准备 50 条左右的问答数据集，遵循 “{“instruction”: “…”, “input”: “”,”output”:”…”}” 格式，覆盖身份定义、归属声明、能力边界三类问题。
• 模型微调：基于准备好的数据集，使用 LoRA 技术微调 Qwen2.5-7B-Instruct 模型，由于其 7B 参数在单卡 24GB 显存上微调时显存占用仅 18-22GB，普通显卡即可操作，微调后模型体积几乎不变，仍可复用原始推理流程。

Zimage LoRA 模型训练

• 准备工作：推荐使用 24GB+VRAM 的显卡，如 RTX 3090 或 4090。云端可使用 RunPod 的 “Ostris AI Toolkit” 模板一键部署，本地需克隆 ostris/ai – toolkit 并安装依赖。
• 数据集准备：准备 10-30 张高质量图片，分辨率以 1024×1024 为佳，为每张图片创建同名.txt 文件进行打标。
• 模型训练：启动 AI Toolkit 的 Gradio 界面，创建新 Job。设置模型路径为 “Tongyi – MAI/Z – Image – Turbo”，学习率为 0.0001，步数为 2000-3000，优化器为 AdamW8Bit，Rank 为 8-16，开启 Differential Output Preservation。训练过程中可在 Samples 标签页观察预览图，选择过拟合之前的模型文件。生成的 LoRA 可在 ComfyUI 或 Diffusers 中使用。