1. 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。
2. 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。
3. 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。
4. 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。
5. 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。

@Tony-Wang 说:

@bunsei
你不是双R9700吗? 你的 大肥鱼 是本地的 deep seek吧?

• 先让本地带vision的模型, 帮你把图片整理一下, 打标什么的, 整理出一个训练集.
• 然后选个底座, 比如zimage 还是 qwen image... 让Agent帮你部署一个训练工具, 并下载相应的模型, 比如 musubi 或者 ai-toolkit.
• 最后让Agent写脚本, 调用训练工具开干, 注意让它先去搜索一下参数优化的方法...

最后这步, 如果你显存不够, 那就切换到在线llm去调用, 本地显卡跑训练工具. 不过你双R9700, 一个跑Qwen27B, 一个跑训练工具, 完全没有问题.

这样是最省钱的.

@Tony-Wang 这不是白天他还得给我干活嘛，分不出算力~ 买的两根内存条其中一根呗顺丰弄丢了新买的要周四才能到，装上去之后才能多开一路或者是空出一张卡来做训练或者是别的事情。

• 先让本地带vision的模型, 帮你把图片整理一下, 打标什么的, 整理出一个训练集.
• 然后选个底座, 比如zimage 还是 qwen image... 让Agent帮你部署一个训练工具, 并下载相应的模型, 比如 musubi 或者 ai-toolkit.
• 最后让Agent写脚本, 调用训练工具开干, 注意让它先去搜索一下参数优化的方法...

最后这步, 如果你显存不够, 那就切换到在线llm去调用, 本地显卡跑训练工具. 不过你双R9700, 一个跑Qwen27B, 一个跑训练工具, 完全没有问题.

这样是最省钱的.

需要你的llm有vision就行, 至于智力, 不需要很高. 提示词质量不需要太高, 关键是图片的风格要一致. 如果是人物, 那么要求一定是一个人物. 如果是风格, 那么要求一定是一个风格. 没必要多个风格训练到同一个Lora里面去.

提示词就一个原则: 你想要的那个东西, 不要写. 我个人的理解.

@farmer-node 说:

35b a3b ，量大管饱

这个标注的效果怎么样？

@Tony-Wang 说:

我炼过几个，经验不多.
打标我都是让27B去打， 让它先搜一下基座打标的优化，然后让它自己去打。最后让agent去自己跑训练，每200步左右出几张预览.
图片没必要太多，人物的话，几十张够了。风格的话，几百张也就够了。
3000张，我觉得它会学乱了，而且训练时间也会太长.

第一次搞这个没经验，就直接指定了个目录，找了几个，忘记是压缩包了.... 然后就这个样子了。