Nai-Animals｜MOSS多角色实验LoRA及其训练经验，经验公式

基于 MOSS-Image-Base，将奶龙、奶包、奶蛙、奶鲸和纸人五个角色合练到同一个LoRA，主要测试角色特征学习、多角色同框与身份区分。整体以3D卡通形象为主，纸人保留折纸、低多边形和蓝金中式服饰特征。

经验公式：

加权图片数 A = 各子集的“图片数 × repeats”相加

等效训练步数 S = A × B × D × I × O，结果向上取整

• B：基础量——角色／服装／物品／概念 40，画风 60。

• D：内容难度——普通 1.0；简单概念 0.7～0.9；非人形 1.0～1.2；复杂内容 1.2～1.4，只选一档。

• I：区分难度——单主体 1.0；多角色／多皮肤差异明显 1.0～1.1，容易串特征 1.1～1.3，整套只乘一次。

• O：延长预算——默认 1，需要继续强化时取 1.2～1.5。

以上S统一按 BS1＋梯度累积1计量；实际更新次数≈S÷梯度累积次数。按5060 Ti 16GB、1024约4秒/等效步的经验，纯训练分钟数≈S÷15，缓存和预览另计。倍率用于排期，不保证到指定步数就完成拟合。

训练集共260张，Rank/Alpha 16/16、学习率1e-4、BS1累积1，完成12轮、3120步；主要采用BF16训练，FP16保存，TE冻结并提前缓存文本。

角色触发词与外形描述

真正写入训练标注前缀的触发词是下面五个。后面的英文是辅助描述，不是额外独立触发词，可以按场景删减。

奶龙｜48张｜nailoong

黄色圆润大头、绿色大眼、奶油色肚皮、短胖四肢、棕色爪和粉色掌垫。

nailoong, a plump yellow 3D cartoon mascot with a large rounded head, glossy green eyes, a small mouth, a cream-colored belly, short chubby limbs, three small brown claws on each hand and foot, and pink palm pads

奶包｜40张｜naibao

棕色侧分短发、人形面部、大棕眼、黄色身体、奶油色肚皮和深灰棕色手脚末端。

naibao, a yellow 3D mascot with a human-like face, short side-parted dark brown bob hair, large dark brown eyes, eyelashes and arched eyebrows, a plump yellow body, a cream belly patch, and dark grey-brown hoof-like hands and feet

奶蛙｜96张｜naiwa

黄色连体梨形身体、无明显脖颈、灰绿色圆眼、细横嘴、奶油色肚皮和橄榄棕色手脚。

naiwa, a golden-yellow pear-shaped 3D mascot with a seamless neckless head, pale grey-green circular eyes, black pupils, a thin horizontal mouth, a large cream-colored belly patch, olive-brown four-fingered hands, and broad three-toed feet

奶鲸｜36张｜Nai_DS_whale

蓝色胖鲸形身体、白色胸腹、带小白点的弯曲脸纹、灰色四指手、背鳍和向上伸出的鲸尾。

Nai_DS_whale, a plump blue anthropomorphic whale mascot with a large white chest and belly, curved white facial markings with small white dots, a wide mouth, dark grey four-fingered hands, a dorsal fin, and an upright whale tail

纸人｜40张｜zhiren

桃色棱角纸脸、无瞳白眼、粗黑眉、红唇、黑色纸发与金色头带，穿蓝金中式纸服，带金色圆章和盘扣，黑鞋白底。

zhiren, a faceted papercraft humanoid with a peach-colored paper face, pupil-less white eyes, thick black eyebrows, red lips, black paper hair and a gold headband, wearing a royal blue traditional Chinese paper jacket and trousers with circular gold medallions, gold frog-button closures, and black shoes with white soles

多人生成时，建议分别描述每个角色的身份、外形、动作和位置，避免把所有属性堆成没有归属的一段。

官方打标参考与JSON用法

官方提供的图片回标方案，会输出包含 caption.long、caption.medium、caption.short、watermark和borders 的JSON。重点是准确描述图中可见的主体、动作、场景、颜色、光线和风格，保留非水印文字，并把水印信息单独记录。官方同时要求后训练时保持TE冻结。官方中文指南

这里需要区分：

• 回标结果JSON：用于组织长、中、短描述等信息。训练时可以提取其中的自然语言caption，并不意味着一定把整个JSON送入模型。

• Layout JSON：使用summary描述整体场景，items分别描述角色或元素，bbox表达位置区域。它用于结构化布局控制，和上面的回标结果不是同一种格式。官方支持自然语言、Tag及Layout输入。

社区经验补充

有社区经验提到 “JSON训练、自然语言（NL）生图” 的搭配，效果更好，也符合实际生图流程。

后续更推荐围绕Layout JSON建立工作流。 实际使用中，配合框选区域、角色位置和属性绑定的插件会更方便：整体场景放在summary，每个角色分别放在items，框选区域转换为bbox，更容易编辑、检查和复用。

日常快速描述场景可以尝试NL；多角色和区域控制则优先考虑Layout JSON，并确认插件及训练器支持对应格式。训练器作者文档也更建议训练与推理使用一致形式。

本版本实际使用自然语言TXT标注训练，中途预览使用Layout JSON。

当前表现与训练问题

• 奶包、奶蛙、奶鲸和纸人的主要身份特征已经比较明显，但比例、纹样和局部细节仍会变化。

• 奶龙尚未完全还原：容易出现额外眉睫、头身偏瘦、手部颜色变化等问题。

• 三个黄色角色共享部分颜色和身体特征，多人同框时仍有串特征现象。

• 五人构图比三人、双人更不稳定，可能出现位置交换、身份重复或身体结构偏移；最终轮次的五人图中，奶鲸轮廓仍有明显问题。

MOSS LoRA训练经验公式

参考配置：1024分辨率、FP16/BF16、Rank/Alpha 16/16、学习率1e-4、BS1；文本提前缓存，训练时卸载TE到CPU/内存。以下用于估算训练预算，实际按中途预览选择模型，不是官方步数建议。

一、总公式

每轮加权张次 A =（N1 × r1）+（N2 × r2）+ ……

等效训练步数 S = A × B × D × I × O，最后向上取整。

没有重复采样时，简化为：

S = 图片总数 N × 基础量 B × 难度系数 D × 区分系数 I × 延长系数 O

各项含义：

• S：等效步数，统一按BS1、梯度累积1计量，表示单图前后向总次数。

• Ni：每个角色／皮肤／概念子集的图片数。

• ri：该子集的重复倍率repeats，默认1。

• A：各子集的“图片数 × 重复倍率”之和，即每轮处理张次。

• B：基础训练量。

• D：内容本身的复杂程度。

• I：同一LoRA中，不同身份或造型的区分难度。

• O：额外延长预算。

二、系数怎么选

项目建议值基础量B：角色、服装、物品、概念40

基础量B：画风60

难度D：普通内容1.0

难度D：简单概念、简单效果0.7～0.9

难度D：非人形角色1.0～1.2

难度D：复杂角色、服装、物品或概念1.2～1.4

区分I：单主体、单造型1.0

区分I：多主体／多皮肤，差异明显1.0～1.1

区分I：相似主体／相似皮肤，容易串特征

1.1～1.3延长O：普通训练1

延长O：需要继续强化1.2～1.5

B决定基础预算：其他系数均为1时，图片数×40相当于约40轮，不表示必须跑满40轮。

D看内容复杂度：简单、统一的概念取低值；需要同时保持多层服装、配饰、特殊身体结构和多种状态时取高值。只选一档，复杂非人形不重复叠加两个难度倍率。

I看条件是否容易混淆：轮廓、颜色和服装差异明显时取低值；只改少量配色、装饰，或容易串眼睛、手脚和衣服时取高值。整套只乘一次。

O表示追加预算：默认1，需要强化时再增加。O=1.5表示多留50%训练量，不表示达到该步数就必然过拟合。

三、多角色、多服装怎么算

• 单角色多皮肤：按“一个身份＋多个服装条件”组织，基础量仍取40，必要时增加区分系数。

• 多角色多皮肤：按实际有数据的“身份＋服装组合”组织，每张图标清对应条件。

• 图片总数已经包含全部角色与皮肤，不再额外乘一次角色数、皮肤数，也不按每增加一个角色连续叠加倍率。

• 例如2个角色、每人3套皮肤、每套16张，共96张。将96带入图片总数，不再乘2×3。

• 分别调用角色原有皮肤，与让角色互换彼此服装，是不同目标；后者还需要验证身份和服装能否分离。

四、少样本补强与正则集

少样本皮肤可以增加repeats：

子集图片数重复倍率每轮张次皮肤A16116皮肤B8216皮肤C16116

真实图片40张，每轮加权处理48张次。 B获得更多曝光，但8张重复两遍仍只有8张不同图片，视角和动作覆盖不会自动增加。

这属于子集重复／采样补强。真正的正则／先验保持集是额外的通用数据，应按训练器的采样和损失设置处理，计算开销另计，不直接当目标角色图片加入公式。

固定epoch时，增加repeats会增加工作量；固定总steps时，通常主要改变样本分配。随机采样权重不一定增加每轮长度，需要确认训练器的计数方式。

重复倍率已经计入A，不在总公式外再乘一次补强倍率。

五、梯度累积与耗时

实际更新次数 U ≈ 等效步数 S ÷ 梯度累积次数 G

纯训练时间 T（分钟）≈ 等效步数 S × 单图处理秒数 t ÷ 60

固定等效训练量时，梯度累积只换算更新频率，不再额外乘一次累积倍率；固定实际更新次数时，才有：

S ≈ U × G

相同曝光量、不同累积次数的优化效果不保证相同。

以5060 Ti 16GB、1024约 4秒/等效步为经验参考：

纯训练分钟数 T ≈ S ÷ 15

例如上面的三皮肤数据，取 B=40、D=1、I=1.1、O=1：

S = 48 × 40 × 1 × 1.1 × 1 = 2112等效步

• 对应轮数：2112 ÷ 48 = 44轮。

• 累积4：2112 ÷ 4 = 528次更新。

• 纯训练：2112 × 4 ÷ 60 = 140.8分钟，约2小时21分。

缓存、加载、保存、预览和正则计算另计。

如果直接决定先训练20轮，则使用：

S = 20 × 48 = 960等效步

这时不再乘40；累积4约240次更新，按4秒估算纯训练约64分钟。

建议12GB显存用768分辨率训练，16GB以上使用1024分辨率训练，需要卸载TE。