Firefly自定义模型：训练专属风格-知了AI

为什么”训练自己的 Firefly 模型”正在成为内容站的分水岭

这是一篇关于 Adobe Firefly 自定义模型的完整实操指南：围绕 Firefly 自定义模型的三种类型、图集准备与 caption 写法、生成提示词改写和 Prompt to Edit 局部修改展开，并给出成本核算与失败对照。过去两年，几乎所有中文 AI 内容站都经历了同一场军备竞赛：谁先把手里的视觉资产变成可复用的”风格引擎”，谁就能在同一个选题下比别人多产出三倍以上的一致性内容。Adobe Firefly 自定义模型（Custom Models，目前为 Beta 功能）正是这场竞赛里性价比最高的一件武器——它允许你上传自己拍摄的、自己绘制的、或者已购版权的图片集，训练出一个专属模型，让之后的每一次生成自动带上你的风格、你的角色、你的视觉语调。

它解决的问题非常具体，也是 Firefly 自定义模型最核心的价值所在：通用模型”人人都能生成同款”，你做出的封面图和竞争对手的封面图长得越来越像；而用 Firefly 自定义模型训练风格之后，风格本身变成了你的私有资产——模型默认私有，训练素材版权仍归你所有，Adobe 明确承诺不会用你上传的图去训练基础模型。这意味着你可以放心把工作室最核心的视觉语调”喂”进去。

但这个功能的上手门槛不在按钮在哪里，而在两件事：图集怎么准备和提示词怎么改写。大量用户训练完发现”效果不像自己的图”，根因几乎都出在训练阶段——caption 写法、图片审美一致性、场景多样性这些细节，比训练按钮本身重要十倍。本文按”先训练、再生成、后局部修改”的三段式展开，把每一步的参数、额度、检查清单和失败对照都摊开讲。

一分钟看懂 Firefly 自定义模型的能力边界

先划清楚它能做什么、不能做什么，避免期望错位。

三种模型类型与各自定位

Firefly 自定义模型目前支持三种训练类型，选型直接决定图集怎么准备：

模型类型	适合的图集	训练图集的关键要求	典型用途
插画风格（Illustration Style）	同一插画师/同一技法体系的作品	审美一致、题材尽量多样、caption 避免重复短语	站内插画封面、教程配图、绘本风内容
摄影风格（Photographic Style）	同一位摄影师或同一套布光体系的照片	光影与色调统一、场景多样、避免大件背景干扰	产品图、电商视觉、纪实感内容配图
角色（Character）	同一虚拟角色/同一形象的多角度素材	多角度多光照、主体占画面至少 25%、caption 必含模型概念名	IP 形象内容、连载漫画、品牌吉祥物

能力边界：五条硬性规则

在动手之前，把这五条记住，可以省下至少 1000 额度的试错成本：

1. 上传数量与规格

上传 10–30 张 JPG 或 PNG，建议每张至少 1000 像素宽。图集小于 10 张无法训练，超过 30 张系统也不会全收——与其凑数，不如精选。

2. 评分门槛

上传后 Firefly 会给出模型评分，训练前争取刷到 85 分以上。评分反映的是图集的一致性与质量，85 分以下训练出来的模型风格漂移会非常明显。

3. 训练时长与通知

训练耗时从几分钟到几小时不等，取决于队列情况。完成会有邮件通知，期间不需要盯着页面。

4. 不能重新训练

训练好的模型不能在原模型上重新训练，只能新建模型迭代。所以第一版模型就当”测试版”心态来做，命名时留出版本号（比如 mystyle-v1）。

5. 成本结构

训练一个模型消耗 500 套餐额度，之后每张图生成消耗 20 额度。这两个数字是后面成本核算表的基础。

完整流程：从 Firefly 首页到模型选择器

下面把 Firefly 自定义模型的官方流程走一遍，后面每一步的坑都有对应章节展开。训练风格这件事，流程顺序本身就是质量保证：

第一步：进入自定义模型入口

Firefly 首页左侧栏找到「自定义模型」，Beta 标签下。这是整个流程的起点。

第二步：选用例

系统会让你选择用例——风格训练还是角色训练，对应上文三种类型。这里选错类型不影响后续能改，但会影响系统对图集的检查逻辑，建议一开始就想清楚。

第三步：上传图集

批量上传 10–30 张 JPG/PNG。上传过程中系统逐张给出评分反馈，这就是你”刷 85 分”的操作窗口。

第四步：审阅并编辑 caption

系统会为每张图自动生成标题、标签与说明（caption）。这一步是整个训练的灵魂，必须逐条人工审阅，原因见下一章的”caption 一致性”理论。

第五步：训练与调用

点击训练，等邮件。完成后，模型出现在 Firefly 的模型选择器里，也出现在 Firefly Boards 的模型选择器里——Boards 的画布式工作流和自定义模型配合得很好，适合做多图对比与迭代。

训练阶段的核心理论：caption 的一致性就是模型的偏执来源

这是我做了几十次风格训练之后最想强调的一点，也是大多数教程不会告诉你的一层认知：Firefly 自定义模型对 caption 的处理方式，决定了模型日后”有多偏执”。

训练过程本质上是在图集的视觉特征和文本描述之间建立映射。如果 20 张图的 caption 里都出现了同一个固定短语——比如每条都写”扁平风格的城市插画”——模型不会把”扁平风格”理解为一个恰好反复出现的属性，而是会把这几个词和你的整个视觉语调焊死在一起。之后无论你在提示词里写什么，只要不带上这个短语，模型就往回漂；只要带上，画面就过度趋同，连构图都复制训练图。

换句话说：caption 的一致性就是模型的偏执来源。你希望模型偏执的应该是”笔触、色彩关系、光影处理”这些审美层面的东西，而不是某句咒语式的短语。所以官方建议明确指出：风格模型要避免每条说明都出现同一个固定短语，模型会过度依赖该短语。

那 caption 该怎么写？写永久属性，不写易变属性

另一条铁律：标签只写永久属性（如”棕发”），不要写会变的属性（如”手里拿着杯子”）。道理很直接——会变的属性无法成为风格的组成部分，模型学不到稳定映射，反而学到噪声。角色模型尤其致命：如果你在 caption 里写”戴眼镜”，而有些训练图里角色没戴眼镜，模型生成时会随机决定戴不戴，你根本控制不了。

角色模型的特殊铁律：每条 caption 必须包含模型概念

训练角色模型时，每条说明里必须包含「模型概念」——就是你给这个角色起的名字。这不是可选项，而是调用时的指认锚点：之后在 Firefly 里生成时，你必须在提示词里写出这个名字，模型才知道你要的是它。名字起得越独特越好，避免和常见单词撞车，否则通用词义会干扰指认。

两类模型的图集策略差异

官方给的两条关键建议分别对应两类模型，可以概括为：

风格模型（插画/摄影）

图片审美一致：同一笔触体系、同一套调色逻辑
场景与主体尽量多样：人物、静物、风景、室内……题材越散，模型学到的”风格”就越纯粹
避免 caption 固定短语陷阱（上文已展开）

主题/角色模型

同一主体多角度多光照：正面、侧面、四分之三、逆光、平光、夜景，角度和光的变化是模型理解三维形态的素材
主体占画面至少 25%：主体太小，模型会把背景当主体学
避免背景里出现大件干扰物：一块显眼的招牌、一只乱入的猫，都会被模型当成”这个角色的一部分”

图集准备实战：选图、去重与”刷 85 分”

理解了理论，进入实操。Firefly 自定义模型的图集准备占整个训练风格工作 70% 的时间，值得。

选图标准：宁缺毋滥的三轮筛选法

我的习惯是三轮筛选：

第一轮：剔除”感觉不对”的

快速浏览，凡是”风格上有点犹豫”的图直接进备选池，不进主池。审美一致性靠直觉判断最靠谱——如果一张图你自己都要想两秒”这算不算我的风格”，它大概率会拉低评分。

第二轮：技术规格检查

JPG 或 PNG 格式、至少 1000 像素宽、画面清晰无压缩伪影、无大水印。低于 1000 像素宽的图不是不能用，而是细节损失会让风格学习打折。

第三轮：多样性配平

对风格模型，检查题材分布：如果 20 张里有 15 张都是人物半身像，模型会把”半身构图”也学进风格里。主动补入静物、场景、特写，把构图打散。对角色模型则相反——所有图都是同一个角色，但要检查角度与光照分布是否均匀。

去重：为什么相似图是评分杀手

同一场景连拍的两张图，在人眼看来”丰富了图集”，在模型看来是”同一信息说了两遍”——它们会推高你对重复构图的权重，让生成的趋同性变强，同时因为信息冗余拉低图集整体的有效多样性评分。去重的操作标准：构图相似度超过七成、仅视角微移的图，只留一张。

刷 85 分：评分系统反馈怎么用

模型评分不是黑箱玄学，它对三个因素最敏感，你可以针对性调整：

评分信号	拉低评分的典型原因	对应操作
审美一致性	混入了技法/调色明显不同的图	回到第一轮筛选，剔除异类，宁少勿杂
多样性	同场景连拍、构图高度重复	去重，或补入不同题材/角度的图
图像质量	分辨率不足、压缩严重、有水印	换高清原图，保持 1000 像素宽以上

实操节奏是：先上传 15 张左右，看评分；低于 85 就按上表逐项修，每次只动一类（先剔异类，再去重，最后补图），每动一轮看一次分数变化，这样你能反过来摸清系统对哪类问题最敏感。补图时一次补 2–3 张，观察边际效果，逼近 30 张上限但不硬凑。

图集准备检查清单

把上面的内容压成一张可直接执行的单子：

【Firefly 自定义模型 · 图集准备检查清单】

□ 数量：10–30 张（风格模型建议 15–25 张精选）
□ 格式：全部为 JPG 或 PNG
□ 分辨率：每张至少 1000 像素宽
□ 审美一致性：肉眼快速过一遍，无"犹豫图"
□ 题材多样性（风格模型）：人物/静物/场景/特写均有覆盖
□ 角度多样性（角色模型）：正面/侧面/多光照均有覆盖
□ 主体占比（角色模型）：主体占画面 ≥ 25%
□ 背景检查（角色模型）：无大件干扰物、无乱入元素
□ 去重：构图相似度 > 70% 的图只留一张
□ 水印/文字：训练图内无大面积文字或第三方水印
□ 模型评分：≥ 85 分再点训练
□ 命名规划：模型名带版本号（如 mystyle-v1），因为不能重新训练
□ 额度确认：套餐内至少预留 500 额度用于本次训练

Caption 写作：模板与避坑

caption 是 Firefly 自定义模型图集之外的第二战场，直接决定训练风格的上限。系统自动生成的 caption 只是起点，逐条人工校对才达标。

Caption 模板

针对三类模型，给出可直接套用的模板。注意每个模板都在对抗”固定短语”陷阱——结构固定但内容必须每条不同：

【Caption 模板】

// 通用结构
[主体] + [主体状态/动作] + [环境/场景] + [永久外观属性]

// 插画风格模型示例（注意：不写"扁平风格""我的画风"等固定短语）
- 骑自行车的短发女孩，穿过黄昏的菜市场，橘发，圆脸
- 雨天屋檐下的橘猫，回望窗台上的绿植，短毛，琥珀色眼睛
- 堆满工具的木工作台，晨光斜照，黄铜扳手与旧砂纸

// 摄影风格模型示例
- 白瓷茶壶放在亚麻桌布上，晨间侧光，壶身有细密冰裂纹
- 老城区石板巷，清晨薄雾，青灰色砖墙与木质门框

// 角色模型示例（必须包含模型概念名"云鹿"）
- 云鹿坐在工作台前整理颜料，棕发，蓝绿色围裙
- 云鹿在雪山脚下行走的全身像，棕发，蓝绿色围裙
- 云鹿特写肖像，逆光，棕发微卷，蓝绿色围裙

// 标签原则（与 caption 分开处理）
✓ 只写永久属性：棕发、短毛、蓝绿色围裙
✗ 不写易变属性：手里拿着杯子、正在大笑、雨天

两条写作纪律

纪律一：词汇要固定但句子要变

同一个物体在所有 caption 里用同一个词——如果这是”瓷杯”，每条都写”瓷杯”，不要有的写”杯子”有的写”茶杯”。词汇固定让模型建立稳定映射，句子变化防止短语焊接。这就是”用与训练说明相近的词汇”这条官方建议的正面用法：训练时写”瓷杯”，生成时提示词也写”瓷杯”，命中率显著更高。

纪律二：写”看到了什么”，不写”感觉如何”

“安静的午后””治愈的氛围”这类主观词模型学不到稳定对应，删掉。caption 只做客观描述，情绪留给生成阶段的提示词。

生成阶段：训练好模型后，提示词为什么要变短

很多用户训练完模型，把原来那套长提示词原样搬过来，结果效果反而变差。这里有一个关于 Firefly 自定义模型反直觉但重要的认知：训练好模型后，你的提示词应该变短，而不是变长。

原因就藏在训练机制里。风格信息——笔触、调色、光影、质感——已经被模型承载了，你不需要也不应该再用提示词去重复描述它。原来为通用模型写的”低饱和、细腻笔触、柔和光影、高级灰配色”这一大串风格词，现在全都是冗余信息，甚至是有害信息：它们会和你模型的风格权重打架，生成出”四不像”。

改写原则一：描述”要生成什么内容”，不描述”要什么风格”

官方提示要点说得很清楚：提示词应描述”要生成什么内容”而不是”要什么风格”（风格已由模型承载）。改写实操就是把原提示词里的风格性形容词全部砍掉，只留下主体、动作、场景、构图这些内容信息。

改写原则二：词汇向 caption 靠拢

训练 caption 里写”瓷杯”，生成提示词就写”瓷杯”而不是”杯子”。词汇对齐能显著提升模型对你意图的理解精度——因为映射就是用这些词建的。

改写原则三：可以加材质纹理描述

材质和纹理是可以写进提示词的——它们属于”内容”而非”风格”。比如”哑光釉面””粗陶质感””磨砂金属”，这类描述和模型的风格承载不冲突，反而能引导它在你的风格体系内做出质感变化。

生成与局部改写的提示词模板

【生成阶段提示词模板】

// 结构：[主体] + [动作/状态] + [场景] + [构图/材质]（无风格词）

✗ 改写前（通用模型时代的写法）：
  "扁平风格插画，高级灰配色，细腻笔触，一个女孩在图书馆看书，
   柔和光影，治愈氛围，低饱和，大量留白"

✓ 改写后（Firefly 自定义模型时代的写法）：
  "短发女孩靠在图书馆落地窗边看书，三层书架背景，
   逆光构图，亚麻质感坐垫"

// 角色模型生成（模型概念名 + 场景，无外观重复轰炸）
  "云鹿在深夜的便利店挑选关东煮，半身构图，冷白灯光"

// 材质纹理可写
  "粗陶茶壶放在原木桌上，哑光釉面，晨间侧光"

局部修改阶段：用 Prompt to Edit 做选区改渲染

生成只是第一稿。真正拉开内容站产出效率差距的，是对已有渲染图做精准局部修改的能力——Firefly 的 Prompt to Edit 就是为此设计的：对已有图框选一个区域，用自然语言指令告诉它改什么，其余部分保持不动。

Prompt to Edit 的工作逻辑

Prompt to Edit 本质上是”选区 + 指令”的组合：你的选区定义了重绘范围，你的指令定义了重绘内容。整个体验类似局部重绘（inpainting），但指令是自然语言，且和 Firefly 的生成引擎共享同一套理解能力——你也可以在这里调用自己训练的 Firefly 自定义模型，让局部修改同样保持你的风格。

选区边界：宁小勿大的最小重绘原则

选区是 Prompt to Edit 里最需要练的手感，我的经验是三条：

1. 最小重绘原则

选区只框住”必须变的东西”，宁可分两次小改，也不要一次大框。选区越大，模型自由度越大，原图风格被”重置”的风险越高。改一只杯子的图案，就只框杯子，不要把整张桌子框进去。

2. 边界贴着结构线走

选区边界尽量沿着物体的自然轮廓或明暗交界走，不要横跨一个物体的中间。横跨边界会让模型在物体内部产生”半新半旧”的缝合感——这是局部改渲染最常见的败笔。

3. 边缘留一点过渡余量

贴轮廓太紧有时会导致边缘生硬，实操上在物体轮廓外留一小圈过渡区（视画面分辨率，大约 10–30 像素量级），让新旧区域有融合空间。

指令粒度：说”改成什么”，不说”优化一下”

指令的粒度决定成败。三条纪律：

1. 一次只改一件事

“把杯子换成瓷杯并让桌面变暗”是两条指令，拆成两次操作。混合指令会让模型自行分配注意力，两头都做不精。

2. 用具体名词，不用抽象动词

“把杯子换成青花纹瓷杯”是合格的粒度；”让画面更有质感”是无效指令——它没有告诉模型改变什么。延续生成阶段的原则：词汇与训练 caption 对齐。

3. 位置与颜色用可验证的语言

“左下角””暖黄色””只有一半入画”，这些是模型可以精确执行的坐标信息。”那边””这种颜色”不行。

保留与重绘的取舍

局部改渲染的本质是一道经济学题：每一次重绘都在花”风格保真度”换”内容修改度”。我的取舍准则是——

能不动就不动：构图、主体姿态、整体光影尽量保留，它们是画面的”风格骨架”
重绘优先改”物件层”：替换道具、调整颜色、增删小元素，这些修改对风格骨架的扰动最小
大改不如重生成：如果需要动的区域超过画面三分之一，回到生成阶段重新出图，往往比反复局部修改更快更干净
每轮只做一次局部修改：同一区域反复重绘会累积伪影，两轮改不好就回退重来

成本核算：训练一个模型到底花多少钱

Firefly 自定义模型的成本结构非常简单，但值得算清楚总账，因为它直接影响你的迭代策略：

成本项	额度消耗	说明
训练一个自定义模型	500 额度	一次性消耗；不能重新训练，迭代需新建模型再花 500
每张图生成	20 额度	使用自定义模型生成时按张计
举例：训练 1 个模型 + 生成 50 张	500 + 50 × 20 = 1500 额度	其中训练占总成本的 1/3
举例：训练 1 个模型 + 生成 200 张	500 + 200 × 20 = 4500 额度	生成量越大，训练成本占比越低，越划算

这张表直接推出一个策略结论：训练成本的摊薄逻辑和传统内容生产完全一样——图集准备阶段多花的时间，就是在省 500 额度的重复训练费。因为不能重新训练，图集没准备好就点训练，等于直接烧掉 500 额度买一个不满意的结果。我的做法是：第一版只传 15 张精选图训练出 v1 模型，小规模验证生成效果，确认方向对了再扩充图集训练 v2。v1 那笔 500 额度，就当是买了一次校准数据。

失败案例对照表：现象、原因与改法

以下是我和同行在 Firefly 自定义模型上训练风格、调试生成与 Prompt to Edit 时踩过的坑，按”现象→原因→改法”整理。训练前过一遍这张表，能避开八成的问题：

现象	原因	改法
生成结果和训练图不像，风格漂移	图集审美不一致，或模型评分低于 85 就仓促训练	剔除异类图，去重后重新上传刷分，85 分以上再训练
生成图构图总在复制某几张训练图	图集题材单一，或 caption 里存在固定短语被模型过度依赖	补入不同题材/构图；逐条改写 caption，打散重复短语
角色生成时特征随机变化（戴不戴眼镜、发色漂移）	caption 混入了易变属性（”手里拿着杯子”），或部分图角色占比不足 25%	标签只留永久属性；换用角色占比更高的图重训新模型
调用角色模型时模型”认不出”角色	训练时部分 caption 漏掉了模型概念名	新建模型重训，确保每条说明都含角色名，且名字足够独特
提示词越写越长，效果反而变差	风格词与模型已承载的风格权重冲突	按生成阶段模板砍掉全部风格词，只留内容描述
局部修改后边缘有缝合感	选区横跨物体结构线，或选区过大	边界贴结构线走，外留 10–30 像素过渡，缩小选区分次改
局部修改后整图风格轻微变化	一轮改动太多，或同区域反复重绘累积伪影	一次只改一件事；同区域最多改一轮，不行就回退重生成
想调整已训练的模型却找不到入口	训练好的模型不能重新训练，这是产品限制	接受设定：命名带版本号，通过新建模型迭代（每次 500 额度）

Firefly 自定义模型 vs 只用 Style Reference：怎么选

Firefly 里还有一条轻量路线：生成时直接放一张参考图（style reference / 参考图样式），让模型按参考图的风格出图。它和自定义模型不是替代关系，而是不同的成本-一致性权衡。三条对比线：

一致性：自定义模型显著更稳

参考图每次都要重新”理解”一遍，不同提示词下风格还原度会波动；自定义模型把风格固化进了权重，跨批次、跨周、跨项目的一致性都更稳。做连载内容、品牌视觉，这个差距是决定性的。

成本：参考图几乎免费，自定义模型有前置投入

参考图零训练成本；自定义模型一次 500 额度 + 每张 20 额度。但如果你的生成量在百张以上，摊薄后自定义模型的单位成本优势会反超——更何况省下的是反复调参考图的时间。

灵活度：参考图更灵活，自定义模型更专精

临时想试试某种新风格，参考图随手就来；自定义模型则锁定一种语调。我的分工是：探索期用参考图试错，风格验证通过后沉淀为自定义模型量产。另外两者可以叠加——用自定义模型生成时，再挂一张参考图做微调引导，适合过渡期。

还有一层隐性的差异：自定义模型默认私有、可分享给协作者（协作者只能使用，不能修改、不能再训练、不能再转分享），这让”风格”第一次成了可以在团队内受控分发的资产。参考图做不到这一点——它只是每次会话里的一个输入。

与 Firefly Boards 的组合工作流

训练好的 Firefly 自定义模型会同时出现在 Firefly 和 Firefly Boards 的模型选择器里，而 Boards 值得单独讲一下，因为它把”训练→生成→局部修改”串成了一个顺滑的画布流程。

Boards 的画布式迭代

Boards 是一块无限画布，你可以把多张生成结果平铺对比，从中挑出最接近目标的继续改。配合自定义模型使用时，我的典型流程是：在同一块 Board 上用同一模型出 6–8 张变体 → 挑 2 张进入 Prompt to Edit 局部修改 → 修改结果继续平铺 → 最终定稿。整个过程的视觉上下文都留在画布上，比在单图会话里来回切换高效得多。

版本管理习惯

因为模型不能重新训练，Boards 上的过程图就是你最重要的”训练效果档案”。我习惯在 Board 上保留每个版本模型的代表图各 2–3 张，命名对应模型版本号，迭代 v2、v3 时可以直观对比风格是否在朝目标走。

我的三条独到经验：把风格训练当成”教一个偏执的学徒”

最后，把几年积累下来最反直觉的三条认知留给认真的读者。

经验一：你不是在”传图”，是在”立规矩”

把 Firefly 自定义模型想象成一个学习能力极强但毫无常识的学徒：你给它看的每一张图、写的每一条 caption，它都会当成规矩记住，而且记住的方式经常超出你的预期。caption 的一致性就是模型的偏执来源——你写下的每个固定短语，它都会偏执地执行。所以训练的功夫八分在”教”（图集与 caption），两分才在”练”（生成调试）。

经验二：模型越好，提示词越短

提示词长度和模型质量大体成反比。通用模型时代我们被迫用长提示词堆风格，是因为风格无处安放；自定义模型把风格装进了权重里，提示词终于可以回归它的本职——描述内容。当你发现自己在给自定义模型写两百字的提示词时，先停下来想想：这些词里有多少是在和模型抢活干？

经验三：局部修改的收益是复利

单看一张图，Prompt to Edit 省的时间有限；但对一个日产数十张图的内容站，”生成一张可用图”和”生成一张接近可用、再花一次局部修改就能定稿的图”，是两种生产模式。训练阶段追求的是后者——让模型的第一稿就带对你的风格底盘，把修改工作量压缩到局部。这也是为什么我愿意为图集准备投入 70% 的时间：训练做得越准，后面的每一次生成、每一次局部修改都在吃复利。