LiblibAI和通义万相模型怎么选

先说一个最容易被忽略的事实：选错底模，不是参数能救回来的问题。你可以把采样步数从 20 加到 60，把 CFG 从 7 调到 4.5，把提示词写到 300 个词，把负面词堆满一整屏——出图还是不对。因为底模决定的是整张图的「物理法则」：皮肤怎么反光、头发怎么分层、物体边缘怎么收口、光影怎么衰减。LoRA 只能在这个法则之内做加减，它改不了法则本身。

这篇模型选型教程要讲的事情很具体：在 LiblibAI 这类模型社区里，一个有经验的创作者是怎么在动手之前就把模型组合定下来的。底模赌质感，LoRA 赌角色和画风，ControlNet 赌结构，三件事各自归位，先搭好再开跑。同时也会把通义万相拉进来做对比，因为这两家的定位差别大到会影响你的整个工作方式。

一、为什么”先定组合”比”边画边调”省下三倍时间

新手最典型的工作流是这样的：打开生图页面，选一个首页推荐的模型，随手写一段中文描述，出图，不满意，加词，再出图，还是不满意，换个模型，再出图。一个小时过去，二十几张图全是废的，而且没人能说清楚到底哪一步错了。

还有一个更隐蔽的成本：模型选型这件事一旦拖到出图阶段才做，你其实是在用「画错的图」反推「该选什么模型」，这个过程本身就没有收敛点。这种工作流的根本问题在于：变量太多，一次动一个还不知道动的是哪个。模型、权重、采样器、CFG、种子、分辨率、提示词词序、负面词，全在同时变化，你得到的结果没有归因价值。你今天侥幸出一张好图，明天复现不出来。

1.1 从”试参数”到”配组合”的思维转换

成熟创作者的做法反过来：先在纸上（或者在笔记里）把组合写死。底模是哪个，版本号是多少；LoRA 挂哪几个，各自权重多少；要不要 ControlNet，用哪一种预处理器；出图分辨率定多少。这套组合定好之后，模型选型阶段其实已经结束了，后面的出图是执行，不是探索。

这个转换带来的效率差异非常直观。假设你要做一组 20 张的角色立绘：

• 边画边调流派：平均每张图试 15-25 次才勉强能看，总耗时 6-8 小时，其中一半时间在跟不兼容的模型组合搏斗，最后风格还不统一。
• 先定组合流派：花 20-30 分钟做好组合验证（后面会讲具体怎么做），确认底模 + LoRA 兼容后，每张图试 3-5 次就出片，总耗时 2 小时左右，风格高度一致。

差的不只是时间，是可复现性。第二组人明天还能用同样的组合再出 20 张，第一组人明天要从头再来一遍。

1.2 一个反直觉的结论：模型越少，出图越快

很多人以为收藏夹里存 50 个模型的创作者效率更高。实际情况正好相反。收藏夹里有 50 个底模的人，通常一直在几个底模之间犹豫摇摆，每张图都在”这个是不是更好”的自我怀疑里打转。真正高产的人往往长期只用 3-5 个底模，每个底模对应一类明确的产出目标，剩下的全部靠 LoRA 去适配。

这也是为什么本文会把底模单独拎出来讲三条分流路径。你不需要认识所有模型，你只需要知道：我现在要做的是写实人像、二次元角色、还是特殊材质与插画，对应哪条路。

二、三层结构：底模、LoRA、ControlNet 各管一件事

把整套体系拆开看，其实就是三层。这三层的职责边界必须划清楚，任何一层越界，整张图就塌。

2.1 底模：决定质感与美学基调

底模（Checkpoint）是地基。它决定的东西包括但不限于：画面的整体锐度、肤质的细腻程度、光影的软硬倾向、色彩的饱和度基线、构图的默认偏好、线条的有无与粗细。底模就是整张图的”出厂设置”，你后面所有操作都是在这个出厂设置上打补丁。

一个很实际的判断方法：如果你把一个底模的提示词简化到只剩”1girl”，它出来的东西仍然会带着强烈的风格印记。写实底模出来的是照片质感，动漫底模出来的是二维绘制感，插画底模出来的是笔触和色块。这个印记是擦不掉的，它就是你选这个底模的原因，也是你选错底模时的代价。

2.2 LoRA：决定角色与画风

LoRA 是在底模之上的”附加层”。它的作用是往底模的权重里注入一小段偏移量，让某个具体概念（某个人物的脸、某种画风、某类服饰、某个道具）更容易被生成出来。

关键认知在这里：LoRA 不改底模的质感天花板。你把一个写实人像 LoRA 挂在动漫底模上，出来的东西不会变成写实照片，只会变成”五官略微立体一点、但仍然二维”的奇怪存在。同样，把一个水彩画风 LoRA 挂在写实底模上，得到的是”像照片但被泼了水的糊感”，而不是水彩画。

这就是为什么LoRA 的选型必须服从底模的选择，而不是反过来。很多人的顺序搞反了：先找到一个心动的 LoRA，再去挑一个”看起来应该能用”的底模，结果两头不讨好。

2.3 ControlNet：决定结构与构图

ControlNet 是第三层，它管的是”形状”。人物站在哪里、手抬到多高、建筑是什么透视、画面里各个物体的轮廓位置——这些都可以通过 ControlNet 从参考图里提取出来，硬约束到生成过程中。

三层的分工可以这么理解：

层级	管什么	典型手段	换掉它的后果
底模（Checkpoint）	质感、光影、色彩基线、美学基调	选 Photorealistic / Anime / 插画专用底模	整张图的”物种”变了，风格漂移无法挽回
LoRA	具体角色、具体画风、特定服饰与道具	角色 LoRA、风格 LoRA、服饰 LoRA	角色不像、画风不统一，但画面骨架还在
ControlNet	轮廓、姿态、深度、线条结构	Canny / OpenPose / Depth / Lineart	构图失控，但质感和角色都还对

2.3.1 层级冲突时的优先顺序

当三层打架的时候，判断顺序是：底模 > ControlNet > LoRA。底模错了，一切白搭；ControlNet 和 LoRA 冲突（比如姿势要求手举过头顶，但角色 LoRA 训练集里全是垂手站姿），优先保 ControlNet 的结构，LoRA 权重降到 0.5 以下试试，实在不行就换角色参考图。

2.3.2 新手最容易犯的越界错误

用 LoRA 去”救”底模的错误。这是最高频的浪费。举个具体的：有人想做一个”赛博朋克风格的写实城市夜景”，选了一个偏柔和的二次元底模，然后挂三个”赛博朋克”LoRA、把权重拉到 0.85、再加一堆霓虹描述词。出来的东西是”二次元画风里塞了霓虹灯管”，质感完全不是他要的。正确做法只有一个：换成写实或者特殊材质向的底模，LoRA 降回 0.6 左右。

三、底模选型的三条分流路径

LiblibAI 上的模型数量非常大，但落到实际选型上，你只需要先回答一个问题：这张图的目标质感是什么。答案只有三种，对应三条路。

3.1 路径一：写实 —— 走 SDXL 系 Photorealistic 底模

目标是照片质感、真实人物、产品图、商业摄影风格的画面，就走写实这条路。可选的典型底模是 SDXL 系里标注为 Photorealistic 的模型，比如 F.1、xl-ill 这一类。

这条路的核心诉求是”像真的”。判断一个写实底模好不好，看三个细节：皮肤有没有真实的毛孔和不均匀的色斑（过度光滑的皮肤反而假）、高光有没有正确的衰减（鼻尖、颧骨、唇峰的高光应该是渐变的，不是一块死白）、背景虚化有没有真实的景深过渡（不是一刀切的糊）。

写实路径的陷阱：很多标着”写实”的底模其实是”半写实”——它会把皮肤处理得过于完美，五官过于标准，结果出来的是”AI 味很重的漂亮脸”，而不是真实的人。这种底模做商业人像可能还凑合，做纪录片风格、做纪实摄影、做有故事感的人物，就完全不对了。选的时候一定要看作品关联页，看它出的活人像不像活人。

3.2 路径二：二次元 / ACG —— 走 SDXL Anime 或厚涂类 Checkpoint

目标是动漫角色、游戏立绘、插画风人设、二次元场景，走第二条路。可选的是 SDXL Anime 系列底模，或者 Seedream 4.5 这一类在详情页明确标注”厚涂”的 Checkpoint。

“厚涂”这个词在二次元圈里有具体含义：不是纯色块平涂，而是有笔触堆叠、有明暗过渡、有体积感的绘制方式。标注厚涂的底模，出图会有明显的绘画感，适合游戏宣传图、小说封面、角色卡。纯 Anime 底模则更偏平涂或赛璐璐，适合番剧截图感、动态分镜、轻小说插图。

二次元路径的陷阱：这类底模对提示词里出现”photograph””realistic””film camera”之类的词非常敏感，容易把画风拽向”半写实二次元”，出来的东西既不像动漫也不像照片。如果你确实想要”二次元角色 + 写实光影”，正确的做法是选一个本身就有光影处理的厚涂底模，而不是往纯 Anime 底模上加写实词。

3.3 路径三：特殊材质与插画风格 —— 走 Foundation1.0 或 SDXL 插画专用分支

第三条路是给”非常规目标”准备的。包括两类：

特殊材质：PVC 手办的塑料质感、金属的反光与拉丝、赛博机械的结构细节。这些材质对底模的光照模型要求很高，普通写实底模出来的金属经常是”糊成一片亮”或者”像塑料镀了一层膜”，PVC 出来的感觉是”蜡像”而不是”手办”。Foundation1.0 这类底模在材质表现上有专门优化，出金属会有明确的高光形状和反射方向，出 PVC 会有那种半透的、边缘泛光的质感。

插画风格：水墨、厚涂、儿童绘本、版画、剪纸。这些风格不是”加个描述词”就能出来的，底模本身的美学基因必须匹配。你在写实底模上写”Chinese ink painting”，得到的通常是”照片被做成了水墨滤镜”，而不是真正的水墨画——因为水墨的核心是留白、飞白、墨色浓淡，这套语言写实底模没有。

有些作者会在 LiblibAI 上维护 SDXL 插画专用分支，专门针对这一类风格微调。选这类底模的时候，作品关联页比什么都重要，一定要看它出的是不是你真想要的那个味儿。

3.4 底模分流表（含推荐分辨率）

把三条路径和分辨率放在一张表里，这张表建议收藏。分辨率这一列是很多人踩坑的地方，后面会单独展开讲。

目标类型	推荐底模方向	典型代表	推荐分辨率	适配场景
写实人像 / 商业摄影	SDXL 系 Photorealistic	F.1 写实分支	1024×1344（竖版人像）	人物特写、全身立像、证件风格
写实场景 / 风光 / 建筑	SDXL 系 Photorealistic	F.1 写实分支	1280×768（横版场景）	城市街景、室内空间、自然风光
写实产品 / 静物	SDXL 系 Photorealistic	xl-ill 等	1024×1024	商品图、美食、器物
二次元角色 / 立绘	SDXL Anime 或厚涂 Checkpoint	SDXL Anime 系、Seedream 4.5 厚涂标注款	1024×1024 / 1024×1536	角色卡、游戏立绘、小说封面
二次元场景 / 分镜	SDXL Anime	SDXL Anime 系	1024×1536（竖）/ 1536×1024（横）	番剧感场景、漫画分镜
特殊材质（PVC / 金属 / 机械）	Foundation1.0 及同系材质优化底模	Foundation1.0	1024×1024	手办、模型、机甲、工业产品
插画风格（水墨 / 厚涂 / 绘本）	Foundation1.0 或 SDXL 插画专用分支	插画分支底模	1024×1024 / 1024×1536	绘本、海报、文创、封面
老版本轻量需求	SD1.5 系列	SD1.5 生态模型	512×512 / 512×768	快速草图、低成本批量

3.4.1 分辨率必须与底模对齐，这是模型选型里的硬规则

很多人不知道，底模在训练时见过的分辨率范围是有边界的。SD1.5 的底模训练分辨率是 512，SDXL 是 1024，F.1 系在 1024 上下。你把 SDXL 底模拉到 1536×2048 去出图，得到的结果通常是人脸变形、肢体重复、手指数量失控——这不是模型差，是分辨率超出了它的舒适区。

反过来，用 SD1.5 底模在 1024×1024 下出图，画面会变得糊、细节混乱、构图发散，因为模型在这个尺度上没学过东西。

所以分辨率这一栏，本质上是底模选型的一部分，不是出图阶段才该想的事。选底模的时候，先想清楚你要出的图是什么尺寸，然后确认这个底模能不能吃得下。

3.4.2 竖版写实人像为什么推荐 1024×1344

1024×1344 这个比例大约是 3:4，接近传统人像摄影的构图比例，也是 F.1 写实分支最舒服的尺寸。在这个尺寸下，人物的头部占比、肩宽比例、背景留白都很自然，不需要额外做构图裁切。如果你需要 9:16 的手机壁纸比例，可以在这个基础上做扩图，而不是直接生成 1024×1820——后者容易让人物被拉长。

3.4.3 横版场景为什么推荐 1280×768

1280×768 是 5:3，比标准的 16:9 略宽，在 SDXL 和 F.1 系底模上表现稳定。这个比例适合街景、室内、风景这类需要横向延展的场景。如果你直接拉成 1920×1080，纵向像素不足会导致画面上下边缘的物体失真，尤其是画面顶部和底部的建筑、地面细节。

四、严禁混用：底模与内容的错配代价

上面这三条路之所以要分得这么死，是因为混用的代价比多数人想象的大得多，而且是结构性的，不是调参能修好的。

4.1 写实底模跑动漫提示词：五官解构

用写实底模去生成动漫角色，最常见的症状是”五官解构”。具体表现：眼睛会变成”过度写实的眼睛装在二维的脸上”，眼睑结构、虹膜反光、睫毛走向全都按真人来，但脸型、鼻子、嘴的处理又是动漫比例。结果是一张既不像动漫也不像真人的怪脸，俗称”恐怖谷边缘”。

为什么会这样？底模的权重里对”人脸”这个概念有自己的先验——它见过的是真实的人脸结构。你让它生成大眼睛小鼻子的动漫脸，它会本能地把真人的眼睑皱褶、鼻翼软骨、唇纹补上去。这些细节在真人脸上是加分项，在动漫脸上是灾难。

更麻烦的是，这个症状不会随着提示词变长而消失。你写”anime style, 2D, flat color, cel shading”写二十遍，出来的还是那张怪脸，只是多了一层塑料光泽。因为提示词的影响权重远小于底模的先验。

4.2 动漫底模生成真人脸：风格漂移

反过来的情况同样糟糕。用动漫底模生成真人照片，出来的通常是”过度光滑、五官标准、皮肤没有毛孔、眼神没有光”的人偶脸。这种脸在缩略图上看还行，放大一看就是”AI 画的假人”。

这个问题的专业说法叫风格漂移：底模的二维绘制基因会渗透到本该是写实的内容里，让画面在”应该有的质感”和”实际有的质感”之间反复横跳。你会看到头发是写实的一缕缕，但皮肤是动漫的平涂；衣服褶皱有真实的光影，但脸部完全没有真实的皮肤逻辑。

4.3 一个真实的排查案例

有个做儿童绘本的朋友卡了很久：他想要”水彩质感的绘本插画，人物是可爱的小女孩”，但他用的是写实底模，挂了三个水彩 LoRA，权重 0.75/0.7/0.65，写了一长串风格词，出来的图像是”照片被泼了水彩滤镜后变模糊”，完全没有绘本的清爽感。

他试了两周，调了所有能调的参数。最后我让他做一件事：把底模换成插画专用分支里的一个底模，所有水彩 LoRA 先全部摘掉，权重清零，什么都不挂，只用最简单的提示词出一张。

第一张出来就对了。那张图的笔触、色块、留白，全是他想要的那种绘本感。后面再加一个 0.6 权重的角色 LoRA，整套组合就成型了。

这个案例的价值在于：他花了两个星期在解决一个本来不存在的问题。问题从来不是”水彩效果不够强”，而是”底模根本不是画水彩的底模”。

4.4 混用的唯一合理场景

有没有例外？有，但很窄。当你要做的是”风格化对比”或者”跨界融合”的时候——比如故意做”照片里出现的动漫角色”这种视觉梗，或者做”二次元画风的真实产品”这类创意海报。这种情况下混用是有意识的，而且通常需要配合 ControlNet 来稳定结构，不是单纯堆 LoRA。

除此之外，日常出图请把”底模和目标内容必须是同一路”当成铁律。

五、选模型前的两项硬检查

在 LiblibAI 上点开一个模型详情页，滑到底部，有两项必须都打钩。这不是可选项，是准入门槛。

5.1 兼容 LoRA 是否打钩

详情页底部会标明这个底模”兼容 LoRA”。如果这一项没打钩，意味着这个模型的结构和主流 LoRA 的训练方式不兼容，挂上去大概率没效果，或者效果诡异（比如角色 LoRA 只改变发色不改脸，或者反过来只改脸不改衣服）。

为什么会有不兼容的情况？因为 LoRA 是在特定架构的底模上训练的，如果底模在微调时对注意力层的结构做了改动，LoRA 的注入点就对不上了。这属于技术层面的硬伤，跟你选哪个 LoRA 无关。

5.2 支持 ControlNet 是否打钩

同理，ControlNet 也需要底模支持。如果这一项没打钩，你就没法用 ControlNet 去控制结构，只能用文字描述去碰运气。对于需要精确构图的场景（产品图、角色立绘定稿、分镜），这是致命的。

5.3 两项都打钩之后的下一步

两项都通过，说明这个底模的生态是完整的。但”能用”不等于”好用”，接下来还要做一次实际验证：

1. 用最简单的提示词出一张图，看基础质感对不对；
2. 挂一个你常用的角色 LoRA，权重 0.6，看角色是否被正确识别；
3. 挂一个 ControlNet（比如 OpenPose），看结构是否被正确约束；
4. 三项都正常，这个底模可以进你的常用库。

整个过程 10 分钟不到，但能帮你省掉后面几小时的瞎调。这就是模型选型阶段该花的钱。

六、LoRA 选型的四个信号

底模定下来之后，下一个决策是挂哪个 LoRA。LiblibAI 上同名的 LoRA 可能有三五个，质量差距巨大。怎么挑？看四个信号，按顺序看。

6.1 信号一：作者有没有蓝 V 实名认证

蓝 V 实名认证是平台对作者身份的一道背书。它不能保证作品质量，但能过滤掉相当一部分搬运和套壳。一个没有认证、作品风格又高度不一致的账号，大概率是个四处搬运的号。

判断的时候要注意：认证只是最低门槛。有认证的作者也会出烂模型，所以这一项过了之后，还要看后面三项。

6.2 信号二：近 30 天作者是否在评论区答疑

这一项比认证更能说明问题。打开模型详情页往下滑，看评论区。如果近 30 天内作者有回复（哪怕是”这个问题我下个版本修”这种），说明这个作者还在维护这个模型。

为什么重要？因为 LoRA 是需要迭代的。底模更新了、发现训练集有偏差了、用户反馈某个权重区间崩了，活跃的作者会把这些问题修掉。一个两年没回过评论的模型，你遇到的问题大概率永远没人管。

具体怎么看：数一下最近 20 条评论里作者回复的条数，以及回复的时间间隔。如果作者基本每条都回、间隔在一两天内，这属于非常健康的维护状态。如果只有零星几条回复且都在两年前，慎重。

6.3 信号三：评论区的抱怨集中在哪

评论区是免费的质量报告。重点不是看好评，是看差评的具体内容，以及这些差评是不是同一类问题。

• 可修复的抱怨：”权重 0.8 以上会崩””换个底模效果就不对了””某个特定角度不稳定”——这类是使用边界问题，通常有解法。
• 不可修复的抱怨：”脸根本不像””训练集有重复图””手部全是六指””背景总是出现奇怪的文字”——这类是训练集本身的问题，挂什么权重都救不回来。

如果同一个问题在评论区出现 3 次以上且作者没修，这个 LoRA 就别用了。

6.4 信号四：作品关联页的实际案例质量

这是四个信号里最有说服力的一个，也是最容易被忽略的。LiblibAI 的 LoRA 详情页通常会有”作品关联”区域，展示用这个 LoRA 生成的实际案例。

看案例的时候，不要看那几张作者自己挑的封面图，要往下翻，看普通用户上传的作品。判断三点：

1. 案例的数量：50 张以上说明有真实用户在用；只有三五张是作者自产自销。
2. 案例的多样性：不同角度、不同场景、不同光照下角色是否还稳定。如果所有案例都是同一张脸同一个姿势，说明这个 LoRA 泛化能力差。
3. 案例的底模分布：如果所有案例都用了同一个底模，说明这个 LoRA 对底模很挑；如果跨了多个底模还能保持一致，说明兼容性好。

6.4.1 四个信号的权重排序

这四个信号不是等权的。作品关联页占 40%，评论区维护占 30%，抱怨类型占 20%，蓝 V 认证占 10%。前者是结果，后者是背景。背景好不等于结果好，但结果好一定是硬指标。

6.4.2 一个快速筛选法

时间紧的时候，用这个 30 秒筛选法：打开详情页，先滑到作品关联页，随机点开 5 张普通用户的作品，如果 4 张以上看起来像同一个人物、且画质过关，这个 LoRA 可以用。如果做不到，直接关掉看下一个。

七、LoRA 权重的甜区与超限后果

选对了 LoRA，权重怎么给？这是最容易翻车的地方，也是最容易形成”玄学”认知的地方。先把结论放出来。

7.1 甜区：0.5-0.8

绝大多数角色 LoRA 和画风 LoRA 的有效权重区间是 0.5-0.8。这个区间内的效果是：LoRA 的特征清晰可辨，但底模的质感、光影、色彩基线仍然占主导。画面看起来是”底模的画风 + LoRA 的角色”。

这个区间的细微差别：

• 0.5-0.6：LoRA 特征偏弱，适合”想要一点感觉但不要抢戏”的场合，比如角色在远景、侧脸、大量遮挡的场景。也适合多 LoRA 叠加时的配角 LoRA。
• 0.6-0.7：最常用的区间。角色特征清晰，底模质感保留完整。日常出图默认从这里开始。
• 0.7-0.8：角色特征强烈，适合需要强调角色的场景（人物特写、封面图）。此时底模的质感开始被轻微压制，但整体还在可接受范围。

7.2 超过 0.9：不是加强，是换模

这句话值得单独强调：LoRA 权重 0.9 以上不是加强而是换模。

很多人以为权重调高就是”让这个 LoRA 效果更明显”，所以一直往上加，加到 1.0、1.2、1.5。但实际发生的事完全不是”加强”。

LoRA 的原理是往底模的权重里注入偏移量。当偏移量足够大时，底模原有的结构会被覆盖，画面从”底模 + LoRA 特征”变成”LoRA 训练集的记忆复现”。也就是说，权重 0.9 以上的时候，你生成的不再是”底模画风下的这个角色”，而是”这个 LoRA 训练集里的某张图的近亲”。

具体后果是这个样子的：

权重区间	实际效果	典型症状	适用场景
0.3-0.4	轻微暗示，几乎看不出	角色只有发色或服饰沾点边	多角色同框时的次要角色
0.5-0.6	特征可辨，底模主导	正脸像，侧脸略有偏差	远景、侧脸、遮挡多的场景
0.6-0.7	核心甜区，两者平衡	—	日常默认值
0.7-0.8	角色主导，质感略压	皮肤开始变得过分光滑	人物特写、封面、宣传图
0.85-0.9	临界，结构开始塌	构图僵化、背景细节消失、姿势单一	不推荐
0.9 以上	实质换模，底模被覆盖	画面变成训练集的翻版、背景被抹平、光影变平	不要用
1.2 以上	崩坏	色块、噪点、肢体畸形、文字乱码	无

7.2.1 为什么调高权重反而”不像”

这个反直觉现象很多人遇到过：权重 0.6 的时候角色挺像，调到 0.9 反而觉得不像了。原因就是上面说的：高权重下生成的是训练集某张具体图片的近似，而不是”这个角色的抽象特征”。如果训练集里那张图的角度、光照、表情跟你要的不一样，出来的就是”一个长得像但感觉不对的人”。

7.2.2 权重超过 0.9 时底模会”死”

还有一个更隐蔽的后果：底模的质感会消失。你会发现肤色不对了、光影变平了、背景变成糊成一片的色块、连镜头的景深都不见了。这不是幻觉，是底模的输出被 LoRA 的偏移量压到了很低的权重占比。

所以”用高权重来获得更强的角色一致性”是个错误的方向。角色一致性靠的是选对 LoRA 和选对底模，不是靠拉权重。

7.3 多 LoRA 叠加时的权重分配

实际工作中经常需要同时挂多个 LoRA：一个角色、一个画风、一个服饰、一个道具。这时候权重怎么分？

基本规则：总权重不要超过 1.8。超过这个数，几个 LoRA 会互相打架，画面变成各种特征的拼贴，哪一项都不完整。

推荐的分配方式：

• 角色 LoRA：0.6-0.7（主角）
• 画风 LoRA：0.4-0.5（如果底模本身画风已经够了，可以省掉）
• 服饰 / 道具 LoRA：0.4-0.5（越具体的东西权重越低）

一个常见的组合是 0.65 + 0.45 + 0.4 = 1.5，这个配比在实践中比较稳。如果你发现某个 LoRA 在这个组合里完全没效果，不要直接加到 0.9，先确认它和底模是否兼容、和其他 LoRA 是否有特征冲突。

7.4 LoRA 调用的写法

各种工具的写法略有差异，但核心结构是一样的：lora:模型名:权重。下面给出常见写法和一个可复用的模板。

# 单 LoRA（最基础写法）
1girl, standing, white dress, soft light,
<lora:char_yuki_v3:0.65>

# 多 LoRA 叠加（角色 + 画风 + 服饰）
masterpiece, 1girl, upper body, outdoor,
<lora:char_yuki_v3:0.65>,
<lora:style_inkwash_v2:0.45>,
<lora:cloth_hanfu_v1:0.4>

# 注意点：
# 1. 权重写在小数点后两位，0.65 比 0.7 更细腻
# 2. LoRA 触发词放在最前面，用逗号分隔
# 3. 不同底模的实际生效阈值不同，F.1 系普遍比 SDXL 系耐受高 0.05-0.1
# 4. 一个提示词里挂超过 4 个 LoRA 时，画面必然出现特征打架

如果你的工具是 WebUI 风格的面板，LoRA 通常是以卡片形式插入的，插入后可以单独调权重，效果和上面的写法完全一样。在线生成页面里，LiblibAI 会把权重放在滑块上，拖到对应数值即可。

八、组合验证流程：先小批量，再放量

组合定下来之后，不要直接开跑 50 张。先用少量图做验证，确认底模 + LoRA 这个组合是好的，再放量。这套流程能把废图率从 60% 降到 10% 以下。

8.1 第一步：纯底模基线（4 张）

第一步不挂任何 LoRA，只用底模出 4 张图。提示词写最基础的内容，比如”1girl, portrait, natural light”。目的是建立一个基线：这个底模在你目标分辨率下，出图是什么质感、什么光影、什么色彩。

这 4 张图要保存好，后面每一步都拿它们对照。判断标准是：这 4 张里至少 3 张的质感是你要的。如果只有 1 张能看，问题在底模，不在 LoRA，换底模。

8.2 第二步：挂 LoRA 低权重（4 张）

挂上角色 LoRA，权重设 0.5，同样出 4 张。目的是看 LoRA 是否被正确识别。判断标准：角色的关键特征（发色、瞳色、标志性服饰）是否出现。如果 4 张里一张都没出现，说明 LoRA 和底模不兼容，或者触发词写错了。

8.3 第三步：爬升权重（4-6 张）

权重从 0.5 提到 0.6、0.7、0.8，每个档位出 1-2 张。目的是找甜点。判断标准：在哪个权重下，角色特征最像，同时底模的质感还没有被明显压制。找到这个点，就把它定成默认权重。

8.4 第四步：加 ControlNet（2 张）

挂上 ControlNet，用一张参考图约束姿势。目的是验证结构控制是否生效。判断标准：生成的姿势是否与参考图一致，同时角色和质感没有崩。如果姿势对了但脸崩了，说明 ControlNet 权重太高，降低到 0.6 左右再试。

8.5 第五步：边界压力测试（2 张）

故意用极端条件出一张：侧脸、背面、大透视、强逆光、多人同框。目的是看这个组合的边界在哪。判断标准：哪种条件下会崩，崩的方式是什么（五官乱、肢体重复、衣服穿模）。这些边界要记下来，后面正式出图时避开。

8.6 组合验证清单（模型选型必过关卡）

把上面五步做成一个可勾选的清单，每次换组合都走一遍。总耗时 15-25 分钟，出图 16-20 张。

步骤	检查项	通过标准	不通过的处理
1. 底模基线	质感、光影、色彩是否是目标风格	4 张中至少 3 张质感对	换底模，不要往下走
2. LoRA 低权重	角色关键特征是否出现	4 张中至少 3 张能认出角色	检查触发词、确认底模兼容 LoRA
3. 权重爬升	找到角色最像且质感未崩的权重	存在一个权重值同时满足两点	说明该 LoRA 与底模不匹配，换 LoRA
4. ControlNet	姿势、结构是否被约束住	姿势与参考图一致，角色未崩	降 ControlNet 权重到 0.6，或换控制类型
5. 边界测试	极端角度、光照、多人的表现	记录崩溃条件，形成”避坑清单”	—（这一步是记录，不是修复）
6. 分辨率对齐	出图分辨率是否在底模舒适区	符合底模推荐尺寸	调整到推荐尺寸，不要硬拉
7. 复现测试	固定种子重出一次	结果高度一致	检查是否有随机因素（如提示词顺序）

8.6.1 为什么第七步要固定种子

固定种子重出一次，能验证你的组合是否稳定。如果同一个种子、同样的参数，两次出图结果差异很大，说明有某个环节存在随机性（比如某些在线服务会自动加随机负面词），这在批量出图时会导致风格不统一。

8.6.2 验证通过之后怎么批量

验证通过后，批量出图的策略是”锁种子 + 锁参数 + 只改提示词”。种子固定，其他参数固定，只换提示词里的动作、场景、表情描述。这样出来的图风格高度一致，也方便后期做统一调色。

如果在批量过程中有某几张明显不对，用图生图迭代或者局部重绘去修，而不是重新生成。LiblibAI 的在线生成支持这两种方式，局部重绘改手指、改眼神、改衣服褶皱特别有效，比重新出一张快 5-10 倍。

九、LiblibAI 与通义万相：两种完全不同的定位

讲完组合体系，该说平台了。LiblibAI 和通义万相经常被放在一起比较，但说实话这两个东西不是同一类产品，放在一起比”谁更好”是没意义的。它们的定位差别比你想象的大。

9.1 LiblibAI：模型超市 + 训练台

LiblibAI 的核心是一句话：模型生态。它同时做三件事——模型社区（大量玩家上传的 Checkpoint 和 LoRA）、在线生成（在网页上直接用这些模型出图）、训练平台（你可以自己训 LoRA）。

这种定位的好处是自由度极高。你想要什么样的质感，社区里大概率有人做过；你想要的某个角色，可能已经有 LoRA；如果没有，你可以自己训一个。整个生态是活的，每天都有新东西。

代价是学习曲线陡。你得懂底模怎么选、LoRA 怎么挂、权重怎么调、分辨率怎么配。这套知识就是本文前面八节在讲的东西。对完全的新手来说，LiblibAI 的第一周会很痛苦。

9.2 通义万相：开箱即用的模型与 API

通义万相是阿里通义系列下的图像生成产品，涵盖文生图、图生图、创意海报等能力，可以通过阿里云百炼平台调用 API，也有网页端的产品入口。

它的优势集中在两点：

一是中文语义理解好。作为国产模型，它对中文提示词的处理明显比很多海外模型顺，尤其是涉及”国风””东方美学”这类带文化语境的描述时，理解得更准。你写”水墨风格的江南水乡，青灰色调，薄雾”，它不需要你先翻译成英文再想半天。

二是开箱即用。你不需要选底模、不需要挂 LoRA、不需要配分辨率，输入描述，出图。后端已经把这套东西包好了。对做运营物料、做批量配图、做电商详情的团队，这个便利性很有价值。

代价是可控性弱。你没法像在 LiblibAI 那样精确控制”用哪个底模 + 哪个 LoRA + 权重多少”。你只能在它给的范围内调提示词和几个基础参数。

9.3 对比表

维度	LiblibAI	通义万相
核心定位	模型社区 + 在线生成 + 训练平台	开箱即用的图像生成模型与 API
模型来源	社区作者上传，海量可选（Checkpoint / LoRA / ControlNet）	官方统一提供的模型，不可自定义
可控性	极高：底模、LoRA、权重、种子、采样器全部可调	中等：以提示词和基础参数为主
学习成本	高，需要理解三层结构	低，输入描述即可出图
中文语义	取决于底模和 LoRA，质量参差	原生优化，中文与国风场景理解好
自训能力	有训练平台，可训 LoRA	无
接入方式	网页端在线生成	网页端 + 阿里云百炼 API
批量与自动化	手动为主	API 调用，适合程序化批量
典型用户	插画师、角色设计师、需要独家风格的个人	运营、电商、内容团队、需要接入产品的开发者
风格一致性	靠组合锁定，可做到极高	靠提示词，跨批次一致性较弱

9.4 怎么选：按任务类型分，不按优劣分

给一个简单的决策法：

• 需要独家角色、独家画风、长期稳定的视觉体系 → 走 LiblibAI。你需要训练自己的 LoRA，或者组合出一个别人没有的配方。
• 需要快速出量、内容以中文语境为主、要接入产品 → 走通义万相。省下来的时间比什么都值钱。
• 两者都要 → 这是最常见的真实情况。用通义万相做前期概念探索和批量物料，用 LiblibAI 做核心视觉的定稿和角色体系搭建。

很多团队的成熟做法就是这样混合：先用通义万相快速试 20 个方向，挑出 2-3 个方向，再在 LiblibAI 上用精确的模型选型把它们做成可复用的资产。

十、自训 LoRA 的最简参数配方

当社区里找不到合适的 LoRA 时，自己训一个是最优解。这里不讲全流程，只给关键参数——足够你训出第一版可用的东西。

10.1 模型选型之外的自训准备：20-50 张同风格正方形图

数量：20-50 张。少于 20 张，模型学不到足够特征；多于 50 张，训练时间线性增长，但效果提升边际递减，而且素材里混进低质量图的风险变大。

要求：

• 同风格：如果你想训一个角色，所有素材必须是同一个角色，不能混入”看起来差不多”的其他人。混了就会训出”平均脸”。
• 正方形：768×768 或 1024×1024。尺寸要统一，训练脚本默认按同一尺寸切图，混着来会导致训练不稳定。
• 多角度：正脸、侧脸、半侧、全身、半身、不同光照，尽量覆盖。全是一个角度训出来的 LoRA，换个角度就崩。

10.2 命名规范：半角下划线 + 英文

这一条看起来像小事，但踩过坑的人都知道有多坑。文件名必须是半角下划线连接英文，不能有中文、空格、全角字符、括号、加号。

正确：yuki_face_01.png、yuki_side_02.png、yuki_full_03.png

错误：雪见 正脸.png、雪见（1）.png、yuki face 01.png、雪见_正面_01.png

为什么？训练脚本读取文件名时会做字符串处理，中文和全角字符在不同编码下会出现乱码，导致 caption 文件丢失或者读取失败。很多人训到一半报错，查了半天发现是文件名的问题。

10.3 关键参数表

下面这张表是核心。参数值针对角色类和风格类分别给出，因为两者的最佳配置不一样。

参数	角色类 LoRA	风格类 LoRA	说明
素材数量	20-40 张	30-50 张	风格类比角色类需要更多样本
素材尺寸	768×768 或 1024×1024	同左	必须统一为正方形
学习率	约 4e-4	约 3e-4	风格类降低，避免过拟合
调度器	cosine with warmup	cosine with warmup	预热后余弦衰减，收敛更稳
Repeat	5-8	5-8	每张图重复次数
Epoch	5 和 8 各训一版	5 和 8 各训一版	对比挑优，不完全依赖单次结果
混合精度	关闭	关闭	云端开启易出 NaN Loss
推荐出图权重	0.6-0.7	0.45-0.6	风格类普遍比角色类低

10.4 为什么必须关掉混合精度

混合精度训练（FP16）在本地显卡上通常没问题，但在云端训练环境里容易出现 NaN Loss——损失值变成”非数字”，训练直接崩掉或者输出一个全灰的模型。

原因跟云端的硬件和精度损失累积有关，具体机制不必深究，记住操作就行：在云端训 LoRA，把混合精度关掉，用完整精度跑。代价是训练速度慢 30%-50%，但换来的是不崩。这个买卖很划算。

10.5 Epoch 5 和 8 各训一版的原因

很多人训一遍就完了，出图不满意就改参数重训。更高效的做法是一次训两版：Epoch 5 和 Epoch 8。

Epoch 5 的版本通常”欠拟合”一点，角色特征学到了一部分，但还保留了底模的灵活性，适合出多样化的图。Epoch 8 的版本”过拟合”一点，角色特征很死，但换个角度就容易崩，适合出标准的角色卡。

两版拿到手，实际出图对比，往往能发现 Epoch 6-7 左右才是最理想的中间态，这时候再单独训一次那个 epoch 数，就是你的最优解。

10.6 一个可复用的训练配置模板

把上面的关键参数整理成一份可以直接对照修改的配置清单。不同训练工具的参数名不一样，但语义是一致的。

# ===== 角色 LoRA 训练配置（最简版）=====
base_model:      SDXL 1024 基础底模（与出图底模保持同系）
train_data_dir:  ./dataset/yuki/          # 20-40 张，768 或 1024 正方形
resolution:      1024
learning_rate:   4e-4                      # 风格类改 3e-4
lr_scheduler:    cosine_with_warmup
warmup_ratio:    0.05
repeat:          6                         # 5-8 之间
epoch:           5                         # 另外再跑一版 epoch 8
mixed_precision: no                        # 云端必须关闭
batch_size:      1-2
save_every_n:    1
network_dim:     32                        # 角色类 32，风格类可 64
network_alpha:   16
caption_ext:     .txt                      # 与图片同名
# ===== 训练后自测 =====
# 权重 0.6 出 4 张正脸，0.7 出 2 张侧脸，看是否崩
# 若 0.5 还没反应 → 素材太杂或学习率偏低
# 若 0.6 就过拟合 → epoch 降到 3-4，或素材扩充 10 张

十一、一套完整的组合配置模板

最后给一份完整可抄的组合配置。这个模板把前面所有内容串起来，可以直接改成你的。

11.1 场景一：写实角色立绘

# ===== 组合 A：写实人像（商业委托）=====
checkpoint:   F.1 写实分支
resolution:   1024 x 1344
lora:
  - char_xxx: 0.65          # 角色
  - style_softlight: 0.4    # 柔光风格（可选）
controlnet:
  - openpose: 0.7           # 姿态约束
  - depth: 0.5              # 空间层次（可选）
sampler:      DPM++ 2M Karras
steps:        28
cfg:          5.5
negative:     lowres, bad anatomy, extra fingers, watermark, text

# 验证要点：
# - 0.65 权重下，脸像且皮肤还有真实毛孔
# - 若皮肤变成塑料感 → 角色 LoRA 降到 0.6
# - 若姿势跟参考图差太远 → ControlNet 提到 0.8

11.2 场景二：二次元角色卡

# ===== 组合 B：动漫角色卡 =====
checkpoint:   SDXL Anime 系 或 厚涂版 Seedream 4.5
resolution:   1024 x 1024（立绘）/ 1024 x 1536（竖版）
lora:
  - char_xxx: 0.7           # 角色
  - style_cel: 0.45         # 赛璐璐上色
controlnet:   无（角色卡通常不需要）
sampler:      Euler a
steps:        30
cfg:          7
negative:     photorealistic, 3d, realistic skin, blurry, watermark

# 注意：负面词要压住"写实"，否则容易滑向半写实

11.3 场景三：材质特写（PVC / 金属）

# ===== 组合 C：手办 / 机甲材质 =====
checkpoint:   Foundation1.0 或同系材质优化底模
resolution:   1024 x 1024
lora:
  - material_pvc: 0.5       # 材质强化
  - char_mecha: 0.6         # 具体模型/角色
controlnet:
  - canny: 0.6              # 轮廓锁定（产品图常用）
sampler:      DPM++ SDE Karras
steps:        35
cfg:          6
negative:     flat lighting, matte, cloth, human skin, text

# 验证要点：
# - 金属高光要有明确形状，不能一整块死白
# - PVC 边缘要泛光，不能整体发蜡

11.4 场景四：国风插画

# ===== 组合 D：国风水墨插画 =====
checkpoint:   SDXL 插画专用分支（水墨向）或 Foundation1.0
resolution:   1024 x 1536（竖幅）
lora:
  - style_inkwash: 0.55     # 水墨画风
  - char_guofeng: 0.55      # 国风人物
controlnet:
  - lineart: 0.55           # 线稿约束，保持笔意
sampler:      DPM++ 2M Karras
steps:        30
cfg:          6.5
negative:     photo, 3d render, plastic, oversaturated, western style

# 提示词建议用中文直接写，底模若是国产优化款，
# "留白""飞白""墨分五色"这类词能被正确理解

十二、常见误区与经验总结

12.1 模型选型的五个高频误区

12.1.1 误区一：先找 LoRA 再定底模

顺序反了。底模是地基，LoRA 是装饰。先定底模，再找能挂在它上面的 LoRA。如果某个 LoRA 你特别喜欢但它适配的底模不适合你的目标，放弃它，或者自己训一个同角色的。

12.1.2 误区二：用权重解决兼容问题

不兼容的 LoRA 和底模，调权重是没用的。0.3 没效果，0.9 就崩，中间没有可用的档位。遇到这种情况直接换组合。

12.1.3 误区三：分辨率拉高就有细节

分辨率超出底模训练范围，得到的是失真不是细节。想要更大尺寸，正确做法是在合适分辨率下生成，再做高清放大或者扩图。

12.1.4 误区四：以为提示词能弥补模型选型的失误

很多人把希望寄托在提示词上：底模不对，就加词补救；LoRA 不像，就加词强调。这条路走不通。在组合正确的前提下，提示词 30-60 个词足够。100 个词以上的提示词，后面的词权重被稀释得几乎无效，还会互相干扰。

12.1.5 误区五：一次挂五个 LoRA 就是”精确控制”

三个以上就开始打架。真正的精确控制来自选对底模和选对 LoRA，不是靠数量堆。

12.2 三条经验

第一，建立自己的组合库。每验证通过一个组合，就记录下来：底模名、LoRA 名、权重、分辨率、ControlNet 配置、样图 3 张。积累到 10 个组合，你的出图速度会有质的提升。

第二，一图一组合，别在一张图上反复换模型。一张图从开始到结束，底模和 LoRA 不变，只调提示词和种子。想换风格就新开一张图。

第三，先看作品关联页，再看模型介绍。作者写的介绍是营销文案，作品关联页里的普通用户作品才是真相。

十三、FAQ：模型选型中的六个高频问题

LiblibAI 上同一类底模有很多个，怎么快速挑出一个？

按”三个标签 + 一个验证”来。先看标签里有没有明确的 Photorealistic / Anime / 插画 / 材质定位，标签含糊的直接跳过；再看详情页底部”兼容 LoRA”和”支持 ControlNet”是否都打钩；最后看作品关联页里普通用户的作品数量和质量。三关都过，用两步验证：纯底模出 4 张看质感，挂一个常用 LoRA 出 2 张看兼容。通过就可以进常用库。

LoRA 权重到底给多少最稳？有没有一个万能值？

没有万能值，但有一个万能起点：0.65。这个值在绝大多数角色 LoRA 上都能用，特征清晰、底模质感保留完整。从 0.65 开始，往 0.6 或 0.7 微调，找到最舒服的点。千万不要一上来就给 0.85 或 1.0，那个区间不是”效果更强”，是”底模被覆盖”。

为什么我在写实底模上跑二次元提示词，五官总是怪怪的？

因为写实底模的权重里对”人脸”有真人的先验结构，它会自动补上真人的眼睑皱褶、鼻翼软骨、唇纹。这些在动漫脸上是破坏性的细节。这不是提示词的问题，底模层面的东西提示词改不动。解决办法只有一个：换动漫底模或者厚涂底模。

通义万相能不能像 LiblibAI 那样挂 LoRA、调权重？

不能。通义万相的定位是开箱即用，模型和参数都封装好了，你主要通过提示词和基础参数来控制。想要 LoRA 级别的精细控制，得走 LiblibAI 或者自己部署开源模型。不过通义万相可以通过阿里云百炼平台 API 调用，做程序化批量很方便，这是它的强项。

自己训 LoRA 总是训崩，最常见的三个原因是什么？

按出现频率排：一，文件名里有中文或全角字符，导致 caption 读取失败；二，云端开了混合精度，中途出 NaN Loss；三，素材里混了不同角色或不同风格的图，训出”平均脸”。这三条都是操作层面的，改起来很快。参数层面最常错的是学习率给太高（超过 1e-3）和 epoch 给太多（超过 12）。

组合验证要做到什么程度才算”通过”？

五个信号同时满足：纯底模出图质感对、LoRA 低权重能识别角色、存在一个权重同时满足”像”和”质感未崩”、ControlNet 姿势能被约束住、极端角度下有明确的边界记录。五条都过了，再放量。缺任何一条就放量，废图率会从 10% 涨到 50% 以上——这个差距在 50 张的批量任务里就是 4 小时的返工。