AcademiaSD LoRAlab：一个启动器集成九款 LoRA 训练器

启动器：选择一款训练器即可在浏览器中打开，而模型、项目和设置保持共享。

它能训练什么，需要多少显存

最低门槛是一块计算能力 7.5 或更新的 NVIDIA GPU（RTX 20xx / GTX 16xx 及以上）、CUDA 13 所需的 580 系列或更新驱动，以及 16 GB 系统内存。MiniMax-H3 视频片段训练额外还需要把 ffmpeg 加入 PATH。GTX 10xx 显卡不在支持范围内：CUDA 13 版 PyTorch 从 RTX 20xx 一代起步。

每款训练器共用一套界面

Qwen-Image 2.1 训练器。九款训练器共享相同的面板。

每款训练器都遵循相同的五个步骤：

1. 项目与数据集。 为项目命名，可选添加触发词，并指向数据集文件夹。每张图像都需要一个同名的 .txt 标注文件，图像可以以文件夹或 .zip 的形式拖入。
2. 标注（可选）。 视觉语言模型会为每张图像生成标注，并把触发词放在最前；提示词可编辑，除非你覆盖，否则已有的标注会保留。
3. 预缓存。 文本编码器和 VAE 会按你选择的分辨率运行一次，其输出保存到磁盘。重新运行时未发生变化的图像会被跳过，此后 100% 的 GPU 都投入训练。
4. 训练。 设置步数、学习率、rank 和 alpha，然后开始。设置可在运行中修改，并在下一步生效；Stop Training（停止训练）会保存精确的步数，因此即使数天后继续，也不会丢失任何一步。
5. 导出。 Send to Models 会把 LoRA 复制到 ComfyUI（或 Forge / A1111）的 models/loras 文件夹，该文件夹会在各训练器之间被记住。步数检查点也可以从浏览器下载，导出的 LoRA 带有 kohya 风格的元数据，Civitai 和各类 LoRA 管理器均可读取。

该工作室也支持从同一网络中的另一台机器使用：启动器带有需要用户名和密码的远程访问模式，因此可以从笔记本上传数据集，并把训练好的 LoRA 下载回来，无需接触训练用的 PC。

训练时获得清晰的预览

其中一些模型速度较慢，采样过程需要有人盯着，而 ComfyUI 针对 Qwen-Image 2.1、Krea 2 和 FLUX.2 的默认 Latent2RGB 预览只是块状色块。README 推荐的组合是 kijai 的 KJNodes 加上 AcademiaSD 放在 ComfyUI/models/vae_approx/ 中的微型自编码器：TAE-Qwen-Image-2.1、TAE-Krea-2 和 TAE_Flux2_AcademiaSD，把它们放进位于模型与采样器之间的 Model Preview Override 节点中。

安装

每个平台一个安装程序，所有训练器共用一个 venv（CUDA 13.0 上的 PyTorch 2.14、来自 GitHub 的 Diffusers、Transformers、PEFT、bitsandbytes 和 Flask）：

git clone https://github.com/AcademiaSD/AcademiaSD_LoRAlab-TrainerStudio.git

在 Windows 上双击 Install_LoRAlab-TrainerStudio.bat；在 Linux 上每个 .bat 都有对应的 .sh，启动器会自动选择正确的那个。Install_Triton&SageAtten220.bat 可按需添加 Triton 和 SageAttention 2.2。更新只需运行一次 Update_LoRAlab-TrainerStudio.bat，它会保留模型、数据集、项目和设置。该项目还提供了用于云端训练的 RunPod 模板和 Docker 镜像。

MiniMax-H3 训练器，是该工作室中两款视频训练器之一。

作者将该工作室标记为早期作品：训练器是快速接连加入的，因此默认的训练和预览设置未必适合每一款模型，遇到问题请通过提交 issue 来反馈。

获取方式

AcademiaSD LoRAlab Trainer Studio 位于 github.com/AcademiaSD/AcademiaSD_LoRAlab-TrainerStudio，并在 Hugging Face 上提供预量化的训练包，例如 AcademiaSD/Qwen-Image-2.1-NF4-for-LoRA-Training。