学习率是 Anima LoRA 训练里最敏感的选择：默认的 1e-4 对多数模型适用，对 Anima 却可能毁掉它最值钱的灵活性。本篇讲清楚为什么从 2e-5 起步、什么时候降到 1e-5、什么时候才考虑提高。
默认 1e-4 的问题
AI Toolkit 把 0.0001 作为通用训练默认值暴露出来，这个值对 SDXL 类模型是常见起点，但用在 Anima 上风险很高：
| 风险 | 表现 |
|---|---|
| 风格泛化 | LoRA 的风格漫到无关提示词上 |
| 比例失真 | 头身比、构图开始走样 |
| 提示词僵硬 | prompt 对输出影响变小，怎么改都像数据集 |
| 丢失画师标签响应 | Anima 内建的 Danbooru 画师标签不再起作用 |
根源：Anima 基座已经包含大量知识。高学习率 = 大更新幅度 = 容易把"原有知识"一起冲刷掉，而不仅仅是加上你的新概念。
2e-5 的正确姿势
最佳实践起点：
Learning Rate: 0.00002
Linear Rank: 32
Linear Alpha: 32
关键心态：Anima 训练应当看起来是渐进的。
- 到第 500 步有一个有用的变化就够了
- 它不需要一上来就看起来已经完成
- 训练过程是"目标逐渐浮现、灵活性逐步保留"的慢过程，不是"快速逼近目标"的快过程
什么时候降到 1e-5
信号：某个风格或角色在第 1000 步之前就开始侵占无关提示词——这是"学过头"的早期迹象。
处理：把学习率降到 0.00001。不要等到 2000 步才处理，前 1000 步的采样图就能看出来。
什么时候提高学习率（很少）
在结果偏弱时，不要先提高学习率。 按这个顺序排查：
- 先修标注：trigger 是否一致？可变特征是否标注了？有没有把风格词写进 caption？
- 检查更靠后的检查点：也许目标在第 1500–1800 步才学够，只是你只看了前几百步
- 确认数据集：多样性是否足够？有没有近似重复图？
- 然后再让更新更激进（且幅度有限：2e-5 → 3e-5 级别）
提高学习率是最后的手段，因为它同时加速了"风格泛化 + 提示词僵硬 + 画师标签丢失"。
学习率速查
| 场景 | 学习率 |
|---|---|
| 首轮基线 | 2e-5 |
| 1000 步前侵占无关提示词 | 降到 1e-5 |
| 结果偏弱 | 先修标注/看后段检查点，不要先提 lr |
| 确认欠拟合且标注无误 | 2e-5 → 3e-5（小幅） |
常见误区提醒
- ❌ "Anima 是动漫模型，和 SDXL 差不多，用 1e-4" → 高学习率会压平灵活性
- ❌ "学习率太低学得慢，调高点加速" → 加速的还有僵化和失真
- ✅ "先跑 2000 步、每 250 步看采样，用渐进眼光判断" → 这才是 Anima 的正确节奏
下一步
→ 03 · rank 32 与 alpha 32 配置 设置 Target 面板并理解容量