06 · 分步配置训练
AI Toolkit 训练 FLUX.2 dev LoRA
更新于 2026-10-10 16:46:01
按 05 篇准备好数据后，打开 AI Toolkit 的 New Job，逐面板填写。本篇给出 FLUX.2 [dev] 的完整配置流程（含示例值），照抄即可跑通，再按 04 篇档位微调。
初始准备
- 安装 AI Toolkit 或打开 RunComfy 云端 AI Toolkit
- 数据集放好（示例：
/ai-toolkit/datasets/flux2_midnight_tarot/），每张图配同名 .txt 描述，描述中用 [trigger]
逐面板配置
JOB 面板
| 字段 |
示例值 |
| Training Name |
flux2_midnight_tarot_v1 |
| Trigger Word |
midnight_tarot |
MODEL & QUANTIZATION 面板
| 字段 |
值 |
说明 |
| Model Architecture |
FLUX.2 |
|
| Name or Path |
black-forest-labs/FLUX.2-dev |
HF repo ID |
| Low VRAM |
级别 A/B 开、C 关 |
按 04 篇档位 |
| Transformer |
float8（默认） |
|
| Text Encoder |
float8（默认） |
|
TARGET 面板
| 字段 |
值 |
| Target Type |
LoRA |
| Linear Rank |
32（良好默认） |
TRAINING & SAVE 面板
| 字段 |
值 |
| Batch Size |
24–48GB 用 1；64GB+ 用 2 |
| Steps |
风格 800–2000；角色 1000–2500；指令 1500–3000 |
| Learning Rate |
0.0001 |
| Optimizer |
AdamW8Bit |
| Cache Text Embeddings |
无 DOP 时开启；有 DOP 时关闭 |
| Data Type |
BF16 |
| Save Every |
250 步 |
Regularization & Advanced
| 字段 |
值 |
| Differential Output Preservation |
想保留基础模型行为则开启 |
| Do Differential Guidance |
开启，Scale 3 |
DATASETS 面板
| 字段 |
值 |
| Cache Latents |
开启 |
| Resolutions |
按显存选 [768, 896, 1024]（级别 A 可去掉 1024） |
SAMPLE 面板
| 字段 |
值 |
| Sample Every |
250 步 |
| Guidance Scale |
1（训练阶段；推理用 2–4） |
| Prompts |
2–4 个代表性提示词（含 trigger 的一个、换属性的一个、不带 trigger 的一个） |
配置速查表（可直接对照）
Job: flux2_midnight_tarot_v1 / trigger=midnight_tarot
Model: FLUX.2 / black-forest-labs/FLUX.2-dev / Low VRAM 按档位
量化: Transformer+TE float8
Target: LoRA / rank 32
训练: batch 1-2 / steps 800-3000（按类型）/ lr 1e-4 / AdamW8Bit / BF16
缓存: Cache Latents 开 / Cache Text Embeddings（无 DOP 时开）
高级: DOP 按需 / Differential Guidance ON scale 3
数据: resolutions [768, 896, 1024]
采样: every 250 / guidance 1 / 2-4 个 prompt
训练开始后看什么
- 首次：模型下载 + latent 缓存（慢，正常）
- 逐 step 训练：记录 loss 走势与每秒迭代
- 每 250 步出采样：按 07 篇的方法评估
下一步
→ 07 · 调试与质量提升 出问题来这里查
