在生成式 AI 創作領域，LoRA（Low-Rank Adaptation，低秩適應微調模型）是精準捕捉特定藝術風格、客製化角色樣貌、專屬服飾與特殊概念最靈活強大的工具。然而在傳統流程中，訓練 LoRA 對創作者的本機硬體要求極為苛刻：微調 Stable Diffusion 1.5 尚需要主流等級的獨立顯示卡，而微調 SDXL、Pony Diffusion 或架構龐大的 Flux.1 Dev 等新一代模型時，VRAM（顯示記憶體）需求更動輒達到 16GB 甚至 24GB 以上。此外，繁雜的 Python 環境建置、CUDA 驅動程式、PyTorch 相依性以及 Kohya 指令碼參數設定，亦讓許多非技術創作者望而卻步。
Civitai 平台推出的**雲端 LoRA 訓練工具（On-Site LoRA Trainer）**徹底解決了這項痛點。創作者無需添購昂貴的高階顯示卡或架設本機深度學習環境，只需透過一般網頁瀏覽器上傳訓練資料集、配置訓練參數，即可直接呼叫平台後端的雲端 GPU 算力完成訓練。整個訓練流程使用平台點數 Buzz 進行計費結算，訓練完成後產生的 .safetensors 模型權重既可下載至本機工作流程（如 ComfyUI 或 WebUI）中使用，亦可直接發布並於 Civitai 線上生圖器中即刻調用。
Civitai Buzz 機制與雲端訓練成本解析
Civitai 雲端訓練採用統一的點數機制 Buzz，藉此調配遠端高階 GPU 的運算資源。
藍色 Buzz 與黃色 Buzz 的區別
Civitai 將平台點數劃分為兩種類型：
- 藍色 Buzz（社群活躍點數）： 創作者透過參與社群互動即可完全免費獲取，例如每日登入生圖器領取獎勵、為優秀作品給予表情反應、撰寫模型評論，或發布作品獲得社群互動等。提交訓練任務時，系統會優先自動扣除藍色 Buzz，不足額時才會動用付費點數。
- 黃色 Buzz（儲值與流通點數）： 可直接付費購買（Civitai.com 支援加密貨幣，Civitai.Green 支援信用卡），或透過懸賞任務與 Knights of the New Order 小遊戲獲得。黃色 Buzz 可用於創作者打賞、懸賞交易與各項進階功能。
訓練計費標準與關鍵影響因素
雲端訓練費用根據所選底模架構、運算時長及微調深度動態計算：
- 標準基底模型（SD 1.5 與 SDXL）： 標準訓練任務起步價約為 500 Buzz。
- 高運算量前沿模型（Flux、影片生成模型）： 針對架構龐大的 Flux.1 Dev、Flux.2 Dev，或影片微調模型（Hunyuan、Wan 2.1、LTX2），由於運算負荷較大，所需 Buzz 相對較高。
- 自訂基底 Checkpoint： Civitai 內建官方預設模型不收額外載入費；若指定平台上的其他創作者 Checkpoint 作為底模，系統必須將該特定大模型載入專屬 GPU 記憶體中，因此會收取少許額外 Buzz 附加費。
- Epoch（訓練週期）與 Repeats（重複次數）： 增加訓練週期或圖片重複次數會線性增加總訓練步數，進而提升 Buzz 消耗。系統在任務提交前均會透明列出預估總費用。
失敗自動重試與退款保護機制
Civitai 內建自動容錯機制。若訓練過程中伺服器發生異常，系統會自動重試最多 3 次。若任務確定失敗或處於暫停停滯狀態超過 48 小時，系統會自動將扣除的 Buzz 全額退還至使用者帳戶。
第一步：篩選與建置高品質訓練資料集
訓練資料集的解析度、視角多樣性與清晰度，直接決定了 LoRA 最終的成像品質。再強大的算力也無法修正模糊失真或構圖單一的原始素材。
圖像篩選原則
- 影像數量： 建議準備 10 至 30 張高品質圖片。針對特定角色臉部或單一物件，15 至 25 張多元素材通常是最理想的區間；若是抽象畫風或整體美學風格，準備 20 至 35 張能確保更完整的風格涵蓋率。
- 多角度與豐富光影： 盡量包含臉部特寫、半身中景、全身構圖、不同角度（正面、側臉、仰角、俯角），以及多樣的光影環境、背景與表情姿態。若所有圖片均在相同背景或單一姿勢下拍攝，模型容易產生過擬合，誤將特定背景或服裝當成主體的必然特徵。
- 解析度與格式： 圖片邊長建議介於 512x512 至 1536x1536 像素之間，避免超過 2048x2048 像素。支援
.png、.jpg、.jpeg、.webp圖片格式。
四種資料集匯入途徑
Civitai 訓練器提供四種極具彈性的資料匯入方式：
- 直接上傳 ZIP 壓縮檔： 最標準的本機匯入方式。將圖片與對應的同名
.txt描述檔打包為.zip。切記： 壓縮時請直接選取所有圖文檔案打包，不要將外層資料夾一併壓縮進去。 - 從生圖器匯入（Import from Generator）： 直接選取先前在 Civitai 線上生圖器中產生但尚未正式公開發布的圖片。
- 從個人檔案匯入（Add from Profile）： 快速勾選創作者已發布至個人頁面的歷史作品，支援按年月分類選取。
- 重複使用歷史資料集（Re-use a Dataset）： Civitai 會將使用者上傳過的訓練集保留 30 天，日後再次訓練相同主題時可直接選取套用，無需重複上傳。
內容合規與肖像授權確認
在正式上傳資料前，系統會要求創作者簽署確認內容授權條款（Content Acknowledgement）。若資料集包含現實世界中真實人物的影像，創作者必須確認自己即為該人物，或已取得該人物的明確肖像使用授權。此外，使用者亦可勾選是否在產出的模型頁面上公開分享此資料集。
第二步：選擇正確的標註與打標策略
標註（Captions）的關鍵目的在於分離目標主體與環境背景，告訴模型哪些特徵是可變的次要背景，哪些核心細節是應該學習的特徵。
標籤式標註（WD Tagger 1.4）
標籤式標註採用逗號分隔的關鍵字形式（例如 triggerword, solo, 1girl, blue eyes, white shirt, studio background）。
- 適用模型： Stable Diffusion 1.5、SDXL 1.0、Pony Diffusion V6 XL 與 Illustrious。
- 自動標記機制： 點選紫色的 Auto Label 按鈕，系統會呼叫 SmilingWolf 的 WD Tagger 1.4 模型自動辨識圖片並產出 Danbooru 標籤。
- 前置觸發詞（Prepend Tags）： 建議在該欄位填入自訂觸發詞（如
mychar_alpha），系統會自動將該單詞新增至每一張圖片標籤的最前端，確保後續生成時能穩定呼叫該概念。 - 黑名單與閾值調整： 可設定過濾特定不要的標籤，或調整辨識信心度閾值（預設值為 0.4）。
自然語言長句標註（JoyCaption）
自然語言標註採用文法完整且流暢的描述性長句（例如 A medium close-up shot of a warrior with braided silver hair, wearing an ornate leather cuirass, standing against a sunset mountain landscape）。
- 適用模型： 新一代 Transformer 架構模型，尤其是 Flux.1 Dev 與 Flux.2 Dev。此類模型搭載了龐大的 T5 文字編碼器，能深刻理解自然語言段落與構圖邏輯，而非單純的關鍵字堆疊。
- 自動標記機制： 在 Auto Label 面板中選擇 Caption 模式，工具將啟用 JoyCaption 為圖片產生具備豐富空間、光影與材質描寫的完整英文句子。
無標註純風格訓練（Captionless）
若微調的目標是整體筆觸、水彩油畫質感或抽象插畫風格，而非單一特定人物，創作者可選擇將標註框留空進行無標註訓練。在此模式下，模型會完整吸收圖片的所有筆觸、色彩與構圖特徵。
備份已標註資料集
在線上完成自動或手動修訂標籤後，建議點選頁面中的青綠色 Download 按鈕。系統會將帶有對應 .txt 檔案的完整 .zip 下載至本機，避免日後重新微調時需要重複打標。
第三步：設定雲端訓練精靈參數
完成資料準備後，依照以下步驟配置訓練任務：
1. 進入訓練頁面
在 Civitai 網站首頁右上角點選藍色的 Create 按鈕，選擇 Train a model（或 Train a LoRA）。
2. 選擇模型類型與命名
輸入模型名稱並選擇類型（角色 Character、風格 Style、概念 Concept 等），系統會根據此分類套用最佳化的預設參數。
3. 上傳資料與標籤校對
依前述方式匯入資料集、執行 Auto Label 並確認肖像與版權聲明，接著點選 Next 進入設定面板。
4. 挑選基底模型架構
Civitai 支援豐富的底模清單，系統會自動適配相應的底層訓練引擎：
- SD 1.5 系列： Standard、Anime、Semi-Realistic、Realistic（使用 Kohya 引擎）。
- SDXL 系列： SDXL 1.0、Pony Diffusion V6 XL、Illustrious（使用 Kohya 引擎）。
- Flux 家族： Flux.1 Dev、Flux.2 Dev、Flux2 Klein（使用 AI-Toolkit 引擎）。
- 其他影像模型： Chroma 1.0 HD、Qwen-Image、ZImage（使用 AI-Toolkit 引擎）。
- 影片微調模型： Hunyuan 720p、Wan 2.1、LTX2（使用 Musubi 或 AI-Toolkit 引擎）。
- 自訂 Checkpoint： 可選取平台上的任何自訂模型作為微調基底（需額外支付少許 Buzz）。
5. 進階參數與快速訓練設定
- Rapid Flux Training（極速 Flux 訓練）： 選取 Flux.1 Dev 時可開啟此選項，將訓練時間縮短至 5 分鐘內，適合進行初步概念驗證。
- Sample Image Prompts（階段測試提示詞）： 在進階設定中填入最多 3 組測試提示詞，系統會在每個 Epoch 訓練完成時自動生成樣張，便於即時評估訓練收斂進度。
- Multi-Training（多重平行訓練）： 支援同時提交最多 5 組不同參數的訓練任務並行運算。創作者可同時嘗試不同學習率、Network Rank 或底模，省去多次排隊等待的繁瑣時間。
確認預估 Buzz 費用與佇列優先級後，點選 Submit 即可開始訓練。
第四與第五步：佇列進度監控、Epoch 評估與模型匯出
任務提交後，雲端伺服器叢集將全自動接手算力調度與模型微調。
即時進度追蹤
畫面會導向使用者個人帳號的 Training 標籤頁。創作者可在此查看即時狀態、預估剩餘時間（ETA）以及逐步產出的輪次預覽圖。任務完成後平台會自動發送電子郵件通知，無須長時間守在瀏覽器前。
Epoch（週期）評估與挑選最優解
訓練成果並非週期越長越好，創作者可根據測試樣張判斷最佳檢查點：
- 欠擬合（Early Epochs）： 前期輪次產生的特徵過於泛化，未能充分重現訓練集的核心外觀。
- 最佳收斂點（The Sweet Spot）： 完美復現目標角色或畫風，同時保有極佳的提示詞相容性，可自由更換服裝、光影與場景。
- 過擬合（Late Epochs）： 後期輪次可能出現線條僵硬、顏色過曝失真、肢體畸變，或提示詞失去控制（死板複製資料集的固定構圖）。
Civitai 最多會保留並展示 20 個 Epoch 檢查點供創作者評估與下載。
匯出與發布
確認最佳輪次後：
- 本機下載： 點選對應 Epoch 下載
.safetensors權重檔，放置於 ComfyUI、Automatic1111 或 WebUI Forge 的models/loras資料夾中直接使用。 - 發布至 Civitai： 點選藍色 Publish 按鈕，直接將選定的輪次轉化為平台模型卡片，讓自己與社群成員可在線上生圖器中一鍵調用。
- 重要提醒： 一旦點選 Publish 發布模型，該任務的評估與檢驗面板將被關閉歸檔。請務必在點選 Publish 之前，將其他可能有用的輪次權重檔預先下載備份至本機電腦。
30 天資料保存期限
Civitai 規定，未被正式採納（未 Publish）的訓練輸出權重檔與原始資料集，在雲端保存期限為 30 天。過期檔案將被系統自動清除，請務必及時儲存。
本機訓練與 Civitai 雲端訓練綜合對比
| 評估面向 | 本機 LoRA 訓練 | Civitai 雲端 LoRA 訓練 |
|---|---|---|
| 硬體設備門檻 | 需高階顯示卡（12GB 至 24GB+ 獨立顯示記憶體） | 無硬體限制；一般文書電腦、平板或手機瀏覽器皆可 |
| 軟體環境建置 | 需配置 Python、CUDA、PyTorch 與 Kohya 指令碼 | 零環境架設；直覺化圖形精靈介面操作 |
| 基底模型支援度 | 受限於本機顯示記憶體（如 Flux 模型極難在本機運行） | 原生支援 SD 1.5、SDXL、Flux 及影片擴散模型 |
| 訓練綜合成本 | 高昂的硬體採購成本與耗電負擔 | 約 500+ Buzz 起；可透過社群每日活躍任務免費賺取 |
| 多參數平行測試 | 受本機單卡限制，只能序列式單次訓練 | 支援 Multi-Training，單次可平行提交 5 組實驗 |
| 產出與生態整合 | 需自行架設 WebUI 或額外上傳分享 | 支援一鍵發布，直接串接線上生圖器生態 |
提升 LoRA 訓練品質的實戰建議
- 選用獨特觸發詞： 避免使用字典常見單字（如
cyber_girl或silver_hair），建議採用無語義的獨特英數組合（如cvi_valkyrie或art_astralflare），防止破壞底模原有的語言概念關聯。 - 善用免費藍色 Buzz： 每日在生圖器簽到並積極參與社群互動，累積免費藍色 Buzz，即可實現完全零成本訓練客製化模型。
- 依模型架構選擇正確標註： SDXL 與 Pony 系列使用簡短逗號分隔的標籤式標註；Flux 系列務必使用完整的自然語言長句描述，切勿混用。
- 重視中間輪次權重： 在多數情況下，第 6 至 10 週期往往能比最終週期展現出更好的泛化能力與穩定度。