方法论与洞察

画风 Lora 数据集策划方法论

项目来源：2026-05-08 「THE GAZE」画风 Lora 数据集策划全过程 主线项目：Lora_GAZE_数据集/（31 张数据集 + 完整批次日志） 入档：2026-05-08 适用范围：用 MJ profile 生成数据 → SDXL 系底模（Illustrious-XL 优先）炼制画风 Lora

一句话总结

画风 Lora 的核心不是”出图能力”而是”画风密度控制能力”。MJ profile 在不同 prompt 配方下表达力差异极大，数据集策划的本质就是逼 profile 输出一致的画风密度。撞墙后第一反应不是”换 profile”，而是”调装饰描述权重”。

一、profile 行为四规律（实测沉淀）

规律 1：profile 不会漂移（在合理时间内）

只要不主动 retrain personalize，profile 数月内行为稳定。验证方式：用同一 prompt + profile 重新生成，对比与原图的画风一致性。

⚠️ 风险点：如果用户在 MJ 持续点赞/降权，profile 会被被动训练出现漂移。首次接手项目第一件事：跑一次原始 prompt 验证 profile 状态。

规律 2：profile 的画风表达力 ∝ 画面装饰密度

这是最关键的发现。同一个 profile：

• 在「特写人脸 + 复杂配饰」场景下 → 画风密度顶级（半厚涂金属/宝石全部炸出）
• 在「全身 + 自然环境」场景下 → 画风被稀释，倾向走概念水彩 / 油画路线

根因：MJ 在画面没有足够”高密度装饰载体”时偷懒，会调用通用 fallback 风格，profile 的特征语言无法充分表达。

对应配方：往任何低密度场景的 prompt 强插入下面任意一项，逼出 profile 真实力：

• intricate metal armor with gold filigree
• gemstone-encrusted accessories
• ornate metal weapon with engraved patterns
• silk fabric with embroidered details
• polished gemstones, glowing crystal pendant
• brass lanterns / candlesticks with engraved details

规律 3：profile 会被主题描述拽偏

实测的两个偏移陷阱：

• 「老年人物 + 皱纹」陷阱：MJ 训练数据里”deep wrinkles”绑定写实油画风，profile 压不住。表现：皮肤被厚涂化，与原画风的”简洁赛璐璐皮肤”对立。
• 「少年/少女 + 户外纯自然 + 高调日光」陷阱：触发”小清新水彩 cel-shaded”路径，profile 完全失效。

对应配方：

• 老年人物：删 deep wrinkles，改 mature face with subtle age lines + 显式加 smooth anime-style skin rendering, semi-realistic flat shading on face, no oil painting texture
• 少儿主体：避免纯白服装 + 户外自然 + T7 高调日光的组合，改为宫殿 / 神殿 / 装饰性室内 + 高密度金属配饰

规律 4：profile 服从局部，违抗全局

生效的局部描述：

• 主体特征（发色、瞳色、年龄、性别、服装颜色）✅
• 装饰描述（金属/宝石/织物）✅
• --ar 参数 ✅
• 单点光照锚词（pitch black、golden hour glow、candlelight）✅

经常被忽略的全局描述：

• full body shot / head to toe ⚠️ 在 9:16 + 复杂前景下经常被吞，输出 cowboy shot
• moonlight, blue hour ⚠️ 与暖光载体（brass lanterns、warm light）共存时被冲淡

对应配方：

• 想要真 full body：加 head to toe entire body visible, character occupies central 50% of frame, wide angle composition，但动态构图下放弃强求（接受 cowboy shot）
• 想要真月光：显式删除所有暖光锚点，加 pitch black night sky, full moon as only light source, no warm light sources

二、数据集策划方法论

方法论 1：构图轴 + 横切轴的二维结构

构图轴（一级目录）：极致面部特写 / 半身像 / 全身像 / 纯场景 / 多人构图 / 动作姿态

横切轴（元数据追踪）：主体类型、光照类型、配饰风格

好处：避免数据集在某一维度过度集中。例：如果只按”主体”建库，会忽视构图比例失衡；如果只按”构图”建库，会忽视主体多样性。

方法论 2：分布配额（30-40 张数据集参考）

主体硬约束：

• 单一角色 ≤ 4 张（避免 Lora 记住人脸）
• 单一构图模式 ≤ 5 张（避免画风绑定单一构图）

光照覆盖：每种光照（暖光 / 阴天 / 室内暖光 / 强逆光 / 月光蓝调 / 高调明亮）至少 3 张

方法论 3：「用户上传 → 第三方筛选」工作流

关键洞察：作者本人筛选有主观偏好（“我最满意的”），第三方按统一标准筛选对数据集贡献度更准。

工作流：

[用户] 用 MJ 模板生成 4 张 → [用户] 全部打包发审核方
       → [审核方] 按画风一致性 + 数据集贡献度判断
       → [审核方] 入档/淘汰 + 更新元数据
       → [审核方] 反馈缺口 + 下批生成建议

严格的一票否决项（满足任一即淘汰）：

• 画风明显跑偏（皮肤过度厚涂 / 配饰失去厚涂质感 / 整体过于赛璐璐扁平）
• 解剖严重崩坏
• 与已入选图相似度 ≥ 80%

方法论 4：「严格画风一致性 > 可选维度填充」

当某个”可选”主体多样性（如儿童/少年）的几张图画风偏离时，宁可空缺也不入档。Lora 是在”平均”所有训练图，少 1 张多样性维度可以接受，画风污染会全局影响最终模型。

三、prompt 配方库（实测可复用）

通用模板（锁定区 + 可变区）

[CONTENT_BLOCK：主体 + 装饰 + 构图 + 背景],
semi-realistic style,
[TONE_BLOCK：光照描述],
fine brushwork texture, hand-painted brushstrokes,
real coser thick application, pseudo-thick application, thick application illustration,
light and shadow depiction, strong visual impact,
ultra-high-definition quality, 18k resolution
--profile [your profile id] --ar 9:16

七种光照配方

高成功率场景配方

场景 A：宫廷暗调（最强配方，画风密度天花板）

黑发 + 金红宝石王冠 + 暗红丝绒礼服 + 金链项链 + 红宝石坠饰 + 金权杖 + T1 cold cinematic + 室内王座厅 + 雕花烛台 + 大理石柱

场景 B：法师工作室（高密度装饰示范）

栗棕发 + 深蓝丝绸法袍 + 金线绣符文 + 银腰带 + 多戒指 + 紫宝石法杖 + T4 室内暖光 + 飘浮书 + 黄铜吊灯

场景 C：神社夜景（T6 月光蓝调成功配方）

巫女装 + 银色胸甲 + 金色凤凰刺绣 + 武士刀 + T6 + 鸟居 + 石灯笼 + 樱花飘落

场景 D：海边灯塔（无人物纯场景画风密度顶级）

黄铜灯顶 + 铁艺栏杆 + 玻璃 orbs + 雕花 + T5 强逆光 + 远景帆船 + 海鸥 + 浪花

场景 E：双人构图（多人配方）

角色色卡完全互补（hair / eye / 服装颜色全对立）+ 共享高密度装饰锚点（围棋盘、烛台等）+ T4 烛光

失败配方黑名单

❌ 「少儿户外水彩」陷阱：白色连衣裙 + 草地蓝天 + T7 高调日光 + 海贝壳/小元素 → 必出小清新水彩 ❌ 「自然环境冷色」陷阱：户外森林 + 阴天柔光 + 简洁皮甲 → 必出概念图 ❌ 「老年油画」陷阱：deep wrinkles + 写实暖光 → 必出油画

四、反例案例与教训

反例 1：elf-ranger 全身（批次 #3）

prompt：女精灵游侠 + 森林 + 阴天柔光 + 皮甲弓箭。 失败原因：自然环境主导 + 配饰描述过于简洁，profile 走概念水彩路线。入选率 1/4。

教训催生规律 2（画风表达力 ∝ 装饰密度）。

反例 2：fortuneteller 中老年（批次 #5）

prompt：老年女占卜师 + deep wrinkles + 烛光 + 塔罗牌。 失败原因：MJ 训练数据偏见拉向写实油画。入选率 1/4。

教训催生规律 3（主题陷阱清单）。

反例 3：teen-girl 少女（批次 #7）

prompt：少女 + 白连衣裙 + 草地蓝天 + 玻璃萤火虫罐。 失败原因：纯白服装 + 户外自然 + T7 高调日光 = 小清新水彩温床。入选率 0/4，全部淘汰。

教训催生严格画风一致性 > 可选维度填充原则。

五、关键判断节点速查

六、实战验收：THE GAZE 项目结果（2026-05-08）

按本方法论训练的 jspider_art_v1 Lora（31 张数据集 / Illustrious-XL v0.1 底模 / Prodigy / 12 epoch）在 3 维度泛化测试中的表现，是验证本方法论有效性的活证据。

验收方法（3 维度泛化测试）

关键发现 1：画风信号 vs 主题信号

测试 2 是整个项目的核心胜利：粉发赛博朋克少女 + 铬金属机械手 + 雨夜霓虹巷 这个主题，与 31 张训练数据完全没有重合（数据集主流是中世纪奇幻 / 神社 / 暗调凝视 / 中国服饰）。但画风密度顶级——铬金属机械手、皮夹克皮质感、铆钉链条全部炸裂。

这是评估画风 Lora 训练成功最严苛的标准：

用主题最远的 prompt 测，画风密度仍然在线 → Lora 学到的是”画风信号”。 反之，主题相近时画风强、主题远时画风弱 → Lora 学到的是”主题信号”，训练失败。

本项目通过这个标准——是数据集策划方法论的经验性证明。

关键发现 2：epoch 选择的甜点是 6-8

12 epoch / 每 2 epoch 保存的训练设置下，6 个 checkpoint 演变规律：

结论：默认选 epoch 8 主版本 + epoch 6 soft 版本（双版本发布）。

<lora:jspider_art_v1:1.0>           ← 默认，画风最强
<lora:jspider_art_v1_soft:1.0>     ← 主体复杂时用，画风更克制
<lora:jspider_art_v1:0.7>          ← 想让画风让位给内容描述时降权

关键发现 3：训练数据画风分布决定 Lora 不同 prompt 下的表现

测试 3（户外日光精灵）画风密度比测试 1/2 略弱——这不是 Lora 训练失败，是数据集本身的画风分布特征。训练数据里 elf-ranger / bard / 阴天柔光户外那批本身就偏意境化，Lora 忠实学到了这个分布。

启示：

如果某种场景下 Lora 画风偏弱，去看训练数据里类似场景的样本——那才是源头。 想让某种场景的 Lora 输出更强，最有效的修正不是调训练参数，而是回头补强对应类型的训练样本。

关键发现 4：双版本发布的实操价值（v1 vs v1_soft 实测对比）

v1（epoch 8）和 v1_soft（epoch 6）在 3 个泛化测试 prompt 上的实测差异：

测试 1（纯场景神殿）

• v1：戏剧化背光 + sun rays 强 + 概念冲击力
• v1_soft：黄铜质感更圆润，光影柔和，更像精致插画而非概念图

测试 2（赛博朋克少女）⭐ 对比最戏剧化

• v1：发光眼睛极强 + 金属手压过主体 + 整体”画风炸裂”
• v1_soft：金属感保留但主体清晰度大幅提升——角色脸/项链/十字架挂坠这些细节都看得清
• 关键差异：v1 是”画风让你忘了内容”，v1_soft 是”画风衬托内容”

测试 3（户外日光精灵）

• v1：偏意境化画意感强，与训练数据 elf-ranger 同源风格
• v1_soft：更清新插画，主体立体清晰，水晶球折射柔和

双版本本质区分

v1 是”画风作品”工具——让画面整体进入画风的美学。 v1_soft 是”画风加成”工具——给画面注入画风美学但不损失主题清晰度。 两个版本是互补关系，不是替代关系。

使用边界决策表

实操结论

⚠️ 只发主版本不发 soft 版本是巨大浪费——两个 checkpoint 都已经训出来了，多一个发布动作几秒钟，但实际使用场景的覆盖度差异巨大。

默认操作：

[训练] 12 epoch / 每 2 保存
[选定] epoch 8 = 主版（jspider_art_v1）
[选定] epoch 6 = soft 版（jspider_art_v1_soft）
[发布] 两个都发到本地 SD 库

[使用时] 按"主体清晰度 vs 画风强度"权衡选哪个

七、上线发布方法论（LiblibAI 模型市场实战经验）

训练完成只是 50% 工作量，剩下 50% 是把 Lora 包装成可被陌生用户点开 → 看懂 → 下载 → 评分高的产品。

1. 六张封面图战略（每张回答一个用户问题）

LiblibAI 模型市场列表页用户在缩略图上只有 0.3 秒 决定要不要点进来。每张封面对应回答一个具体的用户疑问：

⚠️ 关键反直觉：第 3 张（最远主题）比第 2 张（最强代表作）的转化率更高——LiblibAI 用户最在乎的不是”你 Lora 能多强”，而是”你 Lora 在我自己的题材上能不能用”。

2. 描述字段（短描述）的信息密度公式

LiblibAI 描述字段限制 12 字。别浪费在通用形容词（“好看 / 高质量”），要塞进独家识别点：

✅ 好的写法：半厚涂金属反差·凝视画风

• “金属反差” 是独家
• “半厚涂” 是技法
• “凝视画风” 是品牌后缀

❌ 差的写法：高质量二次元画风Lora

• 全是通用词，与市场上 100 个其他 Lora 撞描述

3. 详细介绍必须用纯文本

LiblibAI 详情页编辑器不识别 markdown 符号（# 标题 / ** 加粗 / | 表格 / 代码块）。这些会变成普通字符显示，破坏排版。

纯文本排版替代方案：

• 章节分隔：用空行（双空行 = 强分隔）
• 强调：用「」括号或大写
• 列表：用顿号或换行
• 代码：用单独段落 + 缩进

详细介绍必含 6 节：

1. 关于系列（一句话定位）
2. 视觉特征（让用户知道画风识别符）
3. 触发词（必须放在 prompt 第一个 token 位置 + 警告）
4. 推荐 prompt 模板（让小白用户能立即上手）
5. 七种光照配方表（提升专业度信任）
6. 训练信息（底模 + 参数 + 数据集规模）

4. 关键字段填写避坑清单

「推荐 Checkpoint」找不到自己用的底模

⚠️ LiblibAI 产品 bug：模型详情页”收藏”和发布表单”我的收藏 ckpt”是两个独立列表——你收藏了模型不会自动出现在 ckpt 引用列表里。

应对：

• 优先：去模型市场详情页找”添加到 ckpt 引用”按钮（如果有）
• 兜底：选 LiblibAI 平台预置的「基础算法 XL」（SDXL 1.0 base），不严格匹配但兼容性最广
• 同步：在描述里强调推荐底模名称，让用户自己找

「建议权重」陷阱

LiblibAI 默认 0.8——这是妥协值，不温不火。

画风 Lora 默认建议 1.0——让画风密度炸裂，给用户第一印象的最大惊喜值。

「VAE / 高清修复」全选 NONE

画风 Lora 不依赖 特定 VAE 和 upscaler。强制推荐反而限制用户自由度——直接选 NONE / 勾”此版本不需要”，不强加偏见。

5. 权限设置（项目商业化的最大决策点）

🔴 「生成内容可商用」是默认勾选的最大陷阱

LiblibAI 默认勾选这一项，多数人不假思索点过——但它意味着：

任何人用你 Lora 出的图，都可以商业销售。

如果你的 Lora 基于自己的原创作品集训练（比如本项目的 31 张 MJ 原图），勾上这项 = 免费让市场上仿冒你画风的商业作品大量涌现，冲掉你自己的商业溢价。

正确做法：

❌ 取消勾选「生成内容可商用」
✅ 在描述末尾写："生成内容仅供个人创作 / 非商用研究使用，商用请联系作者"

这样：

• 个人玩家能自由出图、社区分享 → 不阻碍传播
• 商用必须找你授权 → 保留商业化主导权
• 留下潜在收入入口

「允许融合」+「不可转售」组合策略

这个组合是”开放传播 + 保护核心商业权益”的折中。

「加密」= 社区不友好信号

加密模型 = 文件不能下载、只能在 LiblibAI 平台用。绝大多数情况下选不加密——加密会被社区认为限制使用，评分大幅降低。

唯一加密的合理场景：你提供付费会员独享版本。免费版本一律不加密。

「LiblibAI 独家模型」的流量扶持权衡

首发建议勾独家——首次发布最缺的就是流量曝光，平台扶持是关键。后续出 v2 / 衍生版本时可发非独家覆盖海外。

6. 标签（Tag）设计

LiblibAI tag 是搜索 SEO 关键词，不是”自我描述”。设计原则：

✅ 要写（按高 → 低优先级）：

• 画风技法词（半厚涂 / 厚涂 / 赛璐璐）
• 大类入口词（二次元）
• 系列品牌词（如本项目的”凝视画风”）
• 美学辨识词（暗调 / 戏剧化光影）
• 应用场景词（角色立绘 / 古风 / 概念美术）

❌ 千万不写：

• 写实类（真人 / 摄影 / 三次元）→ 误导用户去错的方向
• 控制类（修手 / 修脸 / 增强细节）→ 这是控制类 Lora 的标签
• 主体细分（萝莉 / 御姐 / 大胸）→ 与画风 Lora 不匹配
• 描述性形容词（高质量 / 免费 / 商用）→ 不是搜索 tag

数量：5-10 个最佳。太多会稀释每个 tag 的搜索权重。

7. 双版本同步发布

如果你训了主版（v1）和软版（v1_soft）：

• 同时发到 LiblibAI——多一个版本几分钟，但覆盖的用户场景多一倍
• 主版做主推
• 软版作为”version 2”或独立条目都可以
• 软版可以共用主版的封面图（减少出图工作量），但描述里说明”画风更柔和、适用场景”

8. 内容类别（主体 / 风格 / 垂类 / 功能）

LiblibAI 上传时会让你选 4 个分类下拉。每个最多选 3 个避免稀释定位：

避雷：

• 主体选”写实 / 真人” → 误导
• 风格选”摄影 / 真人” → 误导
• 功能选”控制类 / 修手 / 增强细节” → 不匹配

9. 项目最终金句

训练 Lora 是技术问题，发布 Lora 是产品问题。

训练时你思考”如何让画风学到位”，发布时你必须切换到”如何让陌生用户在 0.3 秒内决定下载我”。

6 张封面 + 12 字描述 + 1 行权限选择，决定了你这套画风的市场命运。

顶层金句段

「画风 Lora 的训练目标不是”复刻原图”，是”提取画风信号”。 profile 不是稳定输出器，是”高方差表达者”——它的画风强度依赖你给它什么样的画面让它表达。 数据集策划的本质，是用 prompt 配方把 profile 逼到画风密度顶峰，并在不同主题上重复这件事，让 Lora 在平均时分离出”画风信号”。」

关联文档

• 主线项目：{AIGC工作站}/Lora_GAZE_数据集\（31 张数据集）
• 数据集元数据：{AIGC工作站}/Lora_GAZE_数据集\_meta\进度看板.md / 筛选日志.md / prompts.md
• 起点 prompt 模板：{AIGC工作站}/Lora_GAZE_数据集\Lora数据集补图_MJ模板.md（工作区根）
• 转交文档：{AIGC工作站}/Lora炼制项目转交文档.md（项目背景与决策）
• 关联方法论：personalize与moodboard分工（profile 在 MJ 工作流中的定位）
• 关联档案：multi_sref行为（同类工具行为洞察）
• 顶层方法论：角色一致性金字塔