在生成式 AI 创作中，LoRA（Low-Rank Adaptation，低秩适应微调模型）是锁定特定艺术画风、角色面孔特征、定制服饰以及独创概念最灵活高效的工具。然而在传统流程中，训练专属 LoRA 对本地硬件要求极为严苛：微调 Stable Diffusion 1.5 尚且需要较强的主流显卡，而训练 SDXL、Pony Diffusion 或前沿的 Flux.1 Dev 等大规模扩散与变换器模型，显存需求通常直接跃升至 16GB 甚至 24GB 以上。此外，配置复杂的 Python 环境、PyTorch、CUDA 驱动以及繁琐的 Kohya 脚本，也让大量非技术创作者望而却步。
Civitai 平台推出的**云端 LoRA 训练工具（On-Site LoRA Trainer）**彻底打破了这道技术与硬件门槛。创作者完全无需购买昂贵的高配显卡或搭建本地深度学习环境，只要在浏览器中上传训练图像集、配置核心参数，即可直接调用平台强大的云端 GPU 算力完成模型训练。整个训练消耗使用平台代币 Buzz 进行结算，训练生成的 .safetensors 模型文件既可直接下载到本地工作流中使用，也能一键部署在 Civitai 云端生图器中。
Civitai Buzz 机制与云端训练成本
Civitai 云端训练采用代币 Buzz 衡量和扣除远程 GPU 算力开销。了解其积分结算逻辑，有助于创作者以极低甚至零成本完成训练。
蓝色 Buzz 与黄色 Buzz
Civitai 将 Buzz 划分为两种类型：
- 蓝色 Buzz（社区活跃积分）： 创作者通过参与社区互动完全免费获得，例如每日登录生成器签到、为社区优秀作品点赞或添加表情反应、撰写模型评价、以及发布作品获得互动反馈等。提交训练任务时，系统会优先自动扣除蓝色 Buzz，不足部分才会扣除黄色代币。
- 黄色 Buzz（充值与流通代币）： 可直接购买（Civitai.com 支持加密货币充值，Civitai.Green 支持信用卡充值），或通过平台悬赏任务与 Knights of the New Order 小游戏获取。黄色 Buzz 可用于创作者打赏与平台全功能消费。
训练计费标准与影响因素
训练费用依据所选基底模型架构、计算复杂度和训练轮数动态计算：
- 基础模型（SD 1.5 与 SDXL）： 标准参数下的基础训练任务起步价约为 500 Buzz。
- 大型前沿模型（Flux、视频生成模型）： 资源消耗较大的架构（如 Flux.1 Dev、Flux.2 Dev、Hunyuan、Wan 2.1、LTX2）计算量更大，所需 Buzz 相对更高。
- 自定义基底 Checkpoint： Civitai 预置的官方基模无需额外加载费，但若选择平台创作者分享的其他 Checkpoint 作为微调底模，系统需将该特定大模型载入独立 GPU 显存，会产生一定的额外 Buzz 附加费。
- Epoch（训练轮数）与 Repeats（重复次数）： 训练步数与轮数直接决定算力占用时长。在提交任务前，系统会清晰展示预估所需总 Buzz。
失败自动重试与全额退款保障
云端训练具备完善的容错保障机制。若服务器出现基础设施故障，系统会自动重试最多 3 次。若任务彻底失败或卡滞超过 48 小时，系统会自动将扣除的 Buzz 全额退还至创作者账户。
第一步：挑选与准备高质量训练数据集
数据集的清晰度、主体多样性与纯净度，决定了 LoRA 最终成效的上限。任何算力与算法优化都无法挽救模糊重影或角度单一的原始素材。
图像挑选核心标准
- 样本数量： 建议准备 10 到 30 张高画质素材。针对特定角色、人物面部或单一物体，15 至 25 张具有代表性的图片通常是最优区间；如果是抽象艺术画风或设计风格，准备 20 至 35 张能提供更充实的风格覆盖。
- 视角与光影多样化： 尽可能包含特写镜头、半身中景、全身景别、不同拍摄角度（正视、侧视、仰视、俯视），以及不同的光线环境、背景和表情。若所有样本都处于同一种光照或同一个姿态，LoRA 会产生严重过拟合，将特定背景或动作误认为主体的固定特征。
- 分辨率与格式： 单张图像长宽建议控制在 512x512 至 1536x1536 像素之间，最大不超过 2048x2048 像素。支持
.png、.jpg、.jpeg、.webp图像格式。
四种训练集添加方式
Civitai 训练器提供了四种灵活的素材导入途径：
- 直接上传 ZIP 压缩包： 最常用的本地素材导入方式。将图片文件以及同名
.txt文本描述文件打成一个.zip压缩包。注意： 必须直接选中所有文件进行压缩，严禁包含外层父级文件夹。 - 从生图生成器导入（Import from Generator）： 直接选取之前在 Civitai 在线生图器中生成但尚未正式公开发布的历史图片。
- 从个人主页导入（Add from Profile）： 调取创作者已发布到个人主页的作品图库，按年月快速筛选。
- 复用历史数据集（Re-use a Dataset）： Civitai 会为用户保留已上传的训练集 30 天，再次训练时可直接选择历史数据集，无需重新传输。
内容合规与授权声明
在上传图像前，创作者需要确认内容合规声明（Content Acknowledgement）。若素材包含现实世界真实人物的面部或肖像，创作者必须承诺其本人即为被摄主体，或已获得该人物明确的肖像使用授权。此外，可自行勾选是否允许将训练集公开分享在模型主页。
第二步：制定提示词标注与打标策略
标注（Captions）的核心作用是告诉底层算法：画面中哪些元素属于背景、衣物或临时环境，哪些核心特征属于创作者想要学习的目标概念。
标签式标注（WD Tagger 1.4）
标签式标注使用逗号分隔的短标签（如 triggerword, solo, 1girl, blue eyes, white shirt, studio light）。
- 最适配模型： Stable Diffusion 1.5、SDXL 1.0、Pony Diffusion V6 XL、Illustrious 等。
- 自动打标机制： 点击紫色的 Auto Label 按钮，工具会自动调用 SmilingWolf 开发的 WD Tagger 1.4 视觉模型识别画面元素并生成 Danbooru 风格标签。
- 前置触发词（Prepend Tags）： 强烈建议在此处填写专属触发词（例如
myseries_hero），系统会自动将该词添加到每一张图片的标注开头，确保后续生图时能稳定唤醒该概念。 - 黑名单与阈值： 创作者可设置标签过滤黑名单，并调节识别阈值（默认 0.4）过滤弱相关标签。
自然语言长句标注（JoyCaption）
自然语言标注采用连贯完整的描述性段落（例如 A close-up portrait of a woman with braided silver hair, wearing an intricate embroidered leather jacket, standing in front of a misty mountain range at sunset）。
- 最适配模型： Flux.1 Dev 与 Flux.2 Dev 等前沿扩散架构。这些模型采用了强大的 T5 文本编码器，能更敏锐地理解上下文句子结构，而非离散标签。
- 自动打标机制： 在 Auto Label 面板中选择自然语言模式，工具将调用 JoyCaption 生成细节丰富、景深与构图层次明确的长句文本。
无标注纯画风训练（Captionless）
如果创作者的目标是训练整体艺术笔触、水彩水墨质感或特定插画画风，而非单一具体角色，可以选择完全不写标注（保持文本框为空）。在无标注模式下，模型会将整张画面的色彩、线条和排版风格全部深度吸收。
下载保存已标注训练集
在浏览器内完成自动或手工标注后，建议点击上方的青绿色 Download 按钮。系统会将带有成对 .txt 文本的完整 .zip 包下载至本地硬盘，以便日后在其他工作流中重复利用，无需二次打标。
第三步：配置云端训练向导参数
完成数据准备后，进入配置向导的核心步骤：
1. 打开训练界面
登录 Civitai 后，点击网页右上角的蓝色 Create 按钮，在下拉菜单中选择 Train a model（训练模型）。
2. 选择模型类型并命名
输入模型名称，选择微调类型（角色 Character、画风 Style、概念 Concept 等）。这一步会为后续参数预设合理的初始模板。
3. 上传数据与打标校验
按上述方法导入图像并运行 Auto Label 打标，确认肖像与版权声明后点击 Next 进入配置总览。
4. 选择基底模型架构
Civitai 内置了覆盖全面的基础模型，并会自动匹配后台底层引擎：
- SD 1.5 系列： 标准版、动漫版、半写实版、写实版（基于 Kohya 引擎）。
- SDXL 系列： 官方 SDXL 1.0、Pony Diffusion V6 XL、Illustrious（基于 Kohya 引擎）。
- Flux 家族： Flux.1 Dev、Flux.2 Dev、Flux2 Klein（基于 AI-Toolkit 引擎）。
- 其他图像模型： Chroma 1.0 HD、Qwen-Image、ZImage（基于 AI-Toolkit 引擎）。
- 视频微调模型： Hunyuan 720p、Wan 2.1、LTX2（基于 Musubi 或 AI-Toolkit 引擎）。
- 自定义 Checkpoint： 允许指定 Civitai 站内任意模型作为底模（消耗更多 Buzz）。
5. 高级参数调整与极速训练
- Rapid Flux Training（极速 Flux 训练）： 选择 Flux.1 Dev 时，可勾选 Rapid Training 开关，将训练时间大幅压缩至 5 分钟以内，适合快速概念验证。
- Sample Image Prompts（阶段测试提示词）： 在高级设置中填入最多 3 条测试提示词。系统会在每个 Epoch 轮次自动根据这些词渲染样张，方便肉眼直观评估模型收敛状态。
- Multi-Training（多路并行训练）： 支持一次性提交最多 5 组不同配置的训练任务并行运算。创作者可借此同步对比不同的学习率、Network Rank/Alpha 或底模效果，大幅节省试错周期。
核对系统计算出的最终 Buzz 消费与排队优先级选项后，点击 Submit 提交任务。
第四与第五步：进度监控、轮次评估与模型导出
提交任务后，后台全托管集群将自动调度资源并开始运算。
实时进度追踪
页面将跳转至个人账户的 Training 选项卡。创作者可在此查看实时任务状态、预估剩余时间（ETA）以及逐步生成的轮次预览图。任务完成后系统会自动发送邮件提醒，因此无需一直停留在浏览器页面。
Epoch（轮次）评估与挑选最优解
训练并非轮次越多越好，创作者需借助测试样张识别不同阶段的表现：
- 欠拟合阶段（Early Epochs）： 前期轮次生成的图像可能无法准确还原数据集特征，细节过于泛化。
- 黄金收敛点（Sweet Spot）： 画面完美再现了目标面部、服装或画风细节，同时具备优秀的提示词泛化能力，能够自由更换姿势、服装与场景。
- 过拟合与画面崩坏（Late Epochs）： 过度训练会导致画面发糊、对比度过曝、四肢肢体畸变，或者提示词完全失效（死板复现原始数据集的特定构图）。
Civitai 界面最多会保留并呈现 20 个 Epoch 检查点供创作者查验与下载。
导出与发布流程
选定表现最佳的 Epoch 后：
- 本地下载使用： 直接点击对应轮次下载
.safetensors文件，将其拷贝至 ComfyUI、Automatic1111 或 WebUI Forge 的models/loras目录下直接使用。 - 发布至 Civitai： 点击蓝色的 Publish 按钮，可将该轮次直接发布为平台的公开或私有模型卡片，从而能在 Civitai 在线生图器中随时调用。
- 关键提醒： 一旦确认将某一轮次执行“Publish”，该训练任务的评估结果管理面板将被关闭归档。因此在点击发布前，务必先将其他可能备用的轮次模型文件下载至本地。
30 天数据保留政策
Civitai 规定，未执行正式接受（Accept/Publish）的训练输出文件及原始训练集数据，均在云端服务器保留 30 天。超过期限未保存的数据将被自动清理，请及时做好本地备份。
本地训练与 Civitai 云端训练全方位对比
| 对比维度 | 本地 LoRA 训练 | Civitai 云端 LoRA 训练 |
|---|---|---|
| 硬件门槛 | 需高性能显卡（12GB 至 24GB+ 独立显存） | 零硬件要求；普通电脑、平板或手机浏览器均可 |
| 环境部署 | 需配置 Python、CUDA、PyTorch 及 Kohya 脚本 | 零环境配置；图形化向导一键提交 |
| 基模兼容性 | 受本地显存上限严格制约（如 Flux 本地难跑） | 全面支持 SD 1.5、SDXL、Flux 及各类视频大模型 |
| 综合成本 | 需承担高额硬件采购费用及日常电费 | 约 500+ Buzz；可通过日常社区任务免费赚取代币 |
| 并行测试 | 受单卡算力限制，多组参数只能串行等待 | 支持 Multi-Training，单次并行提交最多 5 组任务 |
| 在线生态流转 | 需自行上传或本地部署 WebUI | 一键发布后即可在云端生图器中无缝使用 |
提高出模成功率的实用建议
- 严选触发词命名： 避免使用现有常见词汇（如
cyber_girl或blue_car），建议使用独一无二的生僻无语义字母组合（如zks_chronos或art_lumina），避免破坏基础大模型固有的概念关联。 - 善用免费蓝色 Buzz： 日常在社区中多浏览互动、按时签到，积攒足够的蓝色 Buzz 即可实现完全零充值训练。
- 根据架构精准适配标注形式： 训练 SDXL 或 Pony 时坚持使用简短的逗号分隔 Danbooru 标签；训练 Flux 时坚决采用长句自然语言描述，切勿混淆打标模式。
- 多关注中间轮次： 实际使用中，第 6 到 10 轮往往比最后一个最终轮次兼具更理想的灵活性与相似度平衡。