Fizgig 9.2 将 MOSS-Image LoRA 训练缩短至 20 分钟

Fizgig 9.2 于 11 月 8 日发布，让每次训练都更快、更轻，MOSS-Image 的提升尤为明显。在 RTX 5090 上，一个 MOSS-Image LoRA（94 张图像、批处理 1、Muon、70 个 epoch）现在约 20 分钟即可完成，而不是 49 分钟，相似度评分也持平或更好（发布说明）。

Fizgig 的启动标签页。训练器独立运行，然后保存为 kohya 格式的 LoRA 到 ComfyUI/models/loras/。

数据一览

在批处理 3 下，训练器现在于同一张显卡上达到 OneTrainer 每步 1.07 秒的水平，同时内存占用更低（6.9 GB 对 7.4 GB），因此批量训练已成为实用选项，而不再是妥协。

训练标签页上的运行，侧边栏中显示队列。

变更内容

• PyTorch 2.15。 开启梯度检查点后，内存大幅下降：Krea 2 在批处理 1 下从 22.9 GB 降至 14.9 GB。在 16 GB 的笔记本 4090 上，Fibo 2.0 训练速度提升 22%，Klein 提升 13%，Krea 2 提升 11%。
• 更快的 Muon 步骤。 现在它会同时处理 LoRA 的多个矩阵，而不是逐个处理：速度提升 12 倍，结果相同。LoKR 训练在所有模型上都快 4 到 6 倍。
• 更快的批处理。 不同长度的描述不再拖慢注意力：MOSS-Image 的步骤快 18%，Krea 2 快 12%，Qwen-Image 2.1 快 9%。

MOSS-Image Turbo Train

9.2.5 版本新增一个实验性 MOSS-Image Turbo Train 预设：采用 Fast 预设（rank 16、0.25 MP、Muon），自适应学习率在 2e-4 到 4e-4 之间运行，并逐图像跟踪，让每张图片拥有自己的节奏。这是在投入长时间训练前快速了解 LoRA 潜力的方式，在优质数据集上表现可靠。

MOSS-Image 的预设也已迁移到新的 Clean-end 比例 30:7:60:8:3：30% 的步骤用于接近干净的图像，直到第 7 个 epoch，之后从第 8 个 epoch 起为 60%。请重新加载预设以应用新比例，因为已保存的设置会保留旧的时间表。

更新

本次更新会下载 PyTorch 2.15（约 3 GB），并且需要 Python 3.11 或更高版本。NVIDIA 驱动必须支持 CUDA 13，即版本 580 或更新；如果更新后 Fizgig 无法识别 GPU，请更新驱动。在 AMD 平台上，捆绑的 ROCm PyTorch 未变，租用的 pod 在重新启动后会采用新版本。