几个实操点，按重要性排：
先看基座再定标法。SD1.5/SDXL/Illustrious 这类用 Danbooru 风格 tag 更稳，不要塞大段自然语言；Flux、Qwen-Image 这类 T5/LLM 文本编码器才适合自然语言 caption。标法跟基座不匹配，再贵的模型也白打。
工具分两层。批量 tag 用 WD14/WD-EVA02 tagger，快、便宜、可脚本化；需要描述性 caption 再上 JoyCaption、Florence-2 或 Qwen-VL 补。3000 张全交给 27B VLM，成本高，前后风格也容易漂。
数据量。人物 30 到 80 张、风格 100 到 300 张通常够；3000 张同风格很容易把无关特征一起学进去。先做 30 到 50 张的基线，跑 500 到 1000 步看预览，再决定加不加。
质量检查。pHash 去重、统一长边和分辨率桶、统计标签频次（某个 tag 出现在 90% 的图里等于没标）、留 10% 做 held-out；训练时看 loss 和每 200 步的预览，过拟合就早停。
触发词只留一个稀有 token，服装、背景、表情这些可变因素要显式标出来，否则会跟人物绑死。
你手上 3000 张已经标好的，先抽 50 张人工核对一致性，再挑风格最统一的 100 到 200 张做第一版。比一次全灌进去稳，也省得后面返工。
