95%
比全量微调所需参数更少
LoRA 通过轻量级适配层进行增量学习，而不是重写整个模型。
LoRA 训练工具
在线 LoRA 训练，让 AI 角色始终一致
把少量参考图训练成可复用的角色 LoRA。生成无限变化——新姿势、新服装、新场景——同时保持同一张脸和人物气质。
10–30 张图片 → 15–30 分钟 → 可用于生产的一致性。
What’s your story?
Paste your story, then choose the page count and layout.
Edit panels, dialogue, and layouts in the studio.
Training plan
实现角色一致性的最快路径
1-10min
典型训练时长
足够快，适合反复迭代；也足够稳定，适合生产流程。
1-10MB
典型 LoRA 文件大小
体积小、易携带，可复用，也可叠加使用。
10-30
所需参考图数量
精心筛选的数据集，胜过一个杂乱的大文件夹。
Built for the work
这些关键功能很强
LoRA 训练：为一致性而生的自定义角色模型，真正能用于生产。
训练速度快
几分钟就能训练，不用等几天。像创作者一样迭代，而不是像实验室一样慢慢调。
角色一致性更稳
每次生成都能保持相同的眼睛、鼻子、嘴巴和比例，不会出现身份漂移。
所需训练数据少
只需 10–30 张精心挑选的参考图，就能获得不错的效果。
模型体积更小
2–10MB 的适配器易于存储、分享，并可在不同项目中复用。
保留原有风格
在切换场景的同时，保留你的艺术特色——线条、配色、构图都不丢。
灵活微调
从严格锁定身份到更柔和的风格引导，都能按需调节。
可叠加多模型
将角色 LoRA 与风格 LoRA 组合使用，获得更深层的控制。
可直接用于生产
可生成日漫、游戏、故事板、营销素材和系列化内容所需的资产。
Foundation
什么是 LoRA 训练？
LoRA（Low-Rank Adaptation，低秩适配）是一种参数高效的微调技术，它能在不修改模型数百万核心权重的前提下，让现有模型学习新的特定知识。它通过添加小型适配层实现，所需算力大幅降低，同时还能保持很高的还原度。你可以把它理解为训练一个 AI 绘师，让它识别并稳定复现你角色的“DNA”：脸部比例、表情、配饰和风格特征。只需 10–30 张精心整理的图片，就能解锁可无限复用的一致性生成，适用于日漫分镜、游戏资产、故事板和品牌角色。
Continuity
为什么角色一致性很重要
在视觉叙事中，一致性是信任的基础。若角色在不同场景里脸型、发长、眼型或比例不断变化，观众就会产生割裂感。标准文生图是非确定性的：同一句提示词每次生成出来的身份都可能不同。LoRA 训练会把身份编码进可复用模型中，让角色在各种变化下依然可被识别。
面部高度一致
每次生成都保持相同的眼睛、鼻子、嘴巴和比例。
保留风格
在不同场景和构图中延续你的艺术方向。
表情更灵活
呈现新的情绪，同时不丢失身份。
姿势与镜头可变化
保留同一角色的同时，获得无限角度和取景方式。
服装与配饰可切换
更换服装、道具和细节，不会造成脸部漂移。
适配不同场景
在不同光线、背景和氛围下依然保持可识别。
How the method works
LoRA 背后的原理
全量微调会重写模型的核心权重——成本高、脆弱，也更容易过拟合。LoRA 则保留基础模型不变，通过轻量级适配器学习低秩更新。你可以获得有针对性的学习效果（身份、风格、概念），同时参数更少、文件更小、训练更快——非常适合创作者反复迭代。
01 / Proof in the output
小数据集，强身份
让模型学会“这是谁”。经过筛选的参考集可以锁定脸部和关键设计特征，让每次新生成都还是同一个角色。
02 / Proof in the output
像创作者一样迭代，而不是像实验室
训练、测试、调整、再重复。逐步调节身份强度、风格贴合度和灵活性，让结果匹配你的生产需求——无论是日漫页面、游戏、营销还是系列内容。
Detailed process
如何使用
几分钟即可开始，无需机器学习背景。
Step 01
准备参考图
收集 10–30 张高质量图片。姿势、角度和表情可以有变化，但身份要保持一致。尽量裁切清晰，避免重滤镜和混杂主体。
Step 02
配置训练参数
选择基础模型（动漫/写实/艺术风格），然后设置训练轮次和学习率。我们的默认参数适用于大多数场景；如需更高精度，也可以使用高级控制项。
Step 03
训练你的自定义模型
开始训练并监控进度。大多数任务会在 15–30 分钟内完成，具体取决于数据集和复杂度。
Step 04
用你的 LoRA 生成内容
使用训练好的 LoRA 生成一致的变化：服装、姿势、场景、光线和表情都可以变，但身份不会漂移。
Explore the full workflow, evaluation criteria, and creator evidence
Where it fits
使用场景
创作者如何借助 LoRA 训练提升产能，同时不牺牲角色一致性。
日漫和漫画创作
为日漫系列、网络漫画和图像小说的数百个分镜生成一致角色——从第一章到最终章都保持统一。
游戏角色资产
为主角、NPC 和皮肤创建立绘、头像、关键视觉稿和情绪状态变化。
视觉小说制作
打造完整的表情和服装套组，同时保持整个故事前后一致。
角色设定图开发
为动画和游戏团队生成包含角度、表情和服装包的设计稿。
品牌吉祥物创作
通过一致的吉祥物模型，在营销、社媒、周边和广告中保持品牌统一性。
动画前期制作
在正式制作前，先完成故事板、概念场景和角色研究。
社交媒体内容
通过生成一致的角色内容和活动素材，提升受众识别度。
周边产品设计
为收藏品和产品线创建可直接印刷的角色图，且保持统一呈现。
Output gallery
图库
LoRA 训练 + Character Studio 可实现的效果示例。
Workflow
LoRA 训练如何运作
面向一致角色生成的实用工作流。
准备数据集
收集能代表同一身份的图片，涵盖不同角度、表情和光线。输入越干净，一致性越好。
训练 LoRA
运行一个轻量级训练任务，学习身份/风格信号，同时避免过拟合。
稳定生成
在 Character Studio 中使用训练好的 LoRA 生成新场景、服装和姿势，同时保持脸部稳定。
Where it earns its place
为什么要训练 LoRA
只有一致性，才能把好看的图片变成可用的故事生产线。
跨场景身份稳定
在更换背景、镜头角度或服装时，依然保持同一个角色脸部。
更快迭代
一旦身份被锁定，就不必为了对上角色而反复重抽生成结果。
系列连贯性更好
适用于漫画、日漫、网络漫画、缩略图以及任何多图叙事工作流。
创作者级控制
训练、测试、调整——目标是可重复的生产输出，而不是一次性演示。
可复用资产
把训练好的 LoRA 当作可复用的角色资产，直接带入新项目。
可与 Character Studio 配合使用
直接进入 /new/characters 进行生成、优化，并持续扩充你的角色阵容。
FAQ
常见问题
LoRA 训练需要多少张图片？
通常 10–30 张经过筛选的图片就够了。图片要有一定变化（角度、表情、光线），但身份必须一致。干净的数据比更多的数据更重要。
什么样的数据集才算好？
主体清晰、身份一致、视角多样、光线良好，并且裁切紧凑。避免混杂主体、极端滤镜、严重遮挡，或同一组里风格差异过大。
角色在不同服装和场景下还能保持一致吗？
可以——训练得当时，LoRA 能在你更换提示词、服装、环境和光线时，依然保留面部身份。
LoRA 训练要多久？
大多数任务会在 15–30 分钟内完成，具体取决于数据集大小和复杂度。
LoRA 和全量微调有什么区别？
全量微调会更新模型的大部分权重（算力更高，也更容易过拟合）。LoRA 则学习轻量级适配层（更快、更小、也更容易复用）。
可以组合多个 LoRA 模型吗？
通常可以。将角色 LoRA 与风格 LoRA 叠加，往往能获得更深层的控制——既保持身份稳定，又能切换艺术方向。
LoRA 模型可以商用吗？
你拥有在 LlamaGen 中创作的内容。请确保你的数据集和提示词遵守第三方权利和知识产权要求。
训练好的 LoRA 在哪里使用？
打开 /new/characters 的 Character Studio，使用训练好的角色身份生成新图片。
准备好打造你的角色阵容了吗？
训练一次，就能一直生成——每个场景都保持一致的脸。