一站式训练任务
任务名、底模路径、VAE、Text Encoder、优化器、学习率、网络维度、混合精度，全部在同一个表单里配好。保存后随时回来改。
无需命令行
核心功能
一个应用，训练前后的每一步
不用再在 ComfyUI、脚本命令、素材工具之间来回切换。从素材整理到 LoRA 产出，链路完整。
智能参数分配
选了显卡与数据集之后自动配置训练参数，按钮默认即可开训。不用查文档、不用试错，改都不用改就能跑出第一条结果。
零调参上手AI 自动打标
内置 Qwen3-VL、Qwen3.5、JoyCaption、ACE-Step 多套打标方案，批量生成高质量训练标签。支持统一打标、仅主标签、中英互译。
省掉逐张手写过程采样与 Loss 曲线
训练过程中按轮次或步数自动出采样图，Loss 曲线与学习率实时绘制。训练完的 safetensors 直接在应用内预览。
边训边看任务状态清晰
已用时间、预计剩余、日志与关键状态实时展示。长训不再黑盒等待，出问题第一时间能在日志里看到。
长训不抓瞎内置素材工具箱
图片裁剪、压缩、图片对比、格式转换、视频抽帧、批量重命名。训练素材的预处理不用再开第二个软件。
6 个工具显存优化
FP8 底模存储 + 块交换（Block Swap），让 14B 级模型在消费级显卡上跑得动。22GB 显存可训 Wan2.2 14B。
FP8 + Block SwapLoRA 格式转换
Z-Image Base、HunyuanVideo1.5 等底模训练出的权重需要转格式才能被 ComfyUI 识别，应用内一键转换。
直连 ComfyUI硬件实时监控
显存占用、内存占用、显卡温度三项指标实时刷新并保存历史记录，训练跑多久、温度有没有压住，一眼看清。
训练历史留存
支持模型
40 种模型类型，图像与视频通吃
底模选好后，训练参数（分辨率、flow_shift、网络维度、学习率、时间步采样）会自动填好该架构的推荐默认值，不需要你自己查资料。
Wan 2.2T2V 14B / I2V 14B高低噪可分训
Wan 2.1T2V 14B / I2V 14B 480P·720P
Qwen-ImageBase / 2512 / Layered
Qwen-Image-EditEdit / Plus 2509 / Plus 2511
FluxFlux.1 Dev / Flux.1 Kontext
Flux.2Dev / Klein 4B·9B / Klein Base 4B·9B
Krea 2图像生成
Z-ImageBase / De-Turbo / Adapter需转格式
HunyuanVideo 1.5T2V 720P / I2V 720P需转格式
LTX 2.0T2V / I2V
LTX 2.3T2V / I2V / IC V2V
Ideogram 4图像生成
MiniMax H3FL2VA
ACE-Step 1.5XL Base / SFT / Turbo / Turbo 变体音频 LoRA
AnimaBase / Aesthetic / LLLite
SDXLBase
数量按 5.5.0 实际可选的模型类型统计。部分架构提供多个变体（如 Wan2.1 I2V 分480P / 720P）， 训练前需要先下载对应架构的底模权重。
自动打标
训练标签不用一张张手写
数据集建好后直接进「自动打标」，选一个打标引擎批量跑一遍，每张素材旁边就多一个同名 .txt。 全部在本机推理，不上传任何素材。
Qwen3-VL8B-Instruct · abliterated 版可选，画面细节描述最细
Qwen3.54B / 9B / 27B · abliterated 版可选，擅长长描述与风格描述
JoyCaption轻量|caption 风格干净，出标签快
ACE-Step音频模型专用打标
- 统一打标——一次给全部素材批量生成标签
- 仅主标签——只保留主体描述，去掉冗余修饰
- 中英翻译——中文标签与英文标签互转，训练用哪种语言自己定
- 训练使用语言——在数据集里直接指定，训练时自动按对应语言的标签走
数据集详情页 · 打标与语言选项
界面展示
全部为真实运行截图
以下界面均来自 5.5.0 版本实际运行，未做任何修饰。
训练任务配置
基础设置（任务名、底模/VAE/Text Encoder 路径、输出频率）、训练设置（轮次、优化器、网络维度、学习率、时间步采样、混合精度）、显存优化设置分区排列。每个字段都有中文标签与英文原名对照，改错了也知道对应哪个参数。
任务列表
每个任务独立记录训练类型与素材数量，可直接跳转训练、配置、采样、Loss 曲线与模型输出五个视图。
素材处理工具箱
六个常用工具统一入口：图片裁剪、图片压缩、图片对比、图片转格式、视频抽帧、批量重命名，都是批量处理 + ZIP 导出。
监控历史
显存、内存、显卡温度按时间范围绘制曲线，可按区间删除或清空全部记录，用来判断训练时是否温度降不下来。
视频抽帧
做视频 LoRA 的必备一步。批量选择视频，设置目标帧率或按「每 N 帧取 1」抽帧，输出格式可选，支持直接导出 ZIP。
工作空间与系统设置
指定工作空间目录（数据集、采样图、产出模型都放这里）、一键修复 Python 环境、开机自启、训练完成自动关机、Huggingface 镜像、资源占用监控记录。
快速上手
四步，从素材到 LoRA
整个流程没有需要记忆的命令行参数。第一次用建议先拿 20~30 张素材的小数据集跑通一遍。
整理素材
在「素材处理」里把图片统一裁剪到目标尺寸并压缩。做视频 LoRA 先用视频抽帧把视频拆成帧序列。
裁剪 → 压缩 → 导出 ZIP
建数据集 + 自动打标
新建数据集导入素材，点「自动打标」批量生成 .txt 标签。可以只保留主标签，也可以中英互译。
自动打标 → Qwen3-VL
仅主标签 ●── 开
训练语言 ● 中文
建训练任务
在「模型训练」新建任务，选好模型类型后参数自动填默认值，再按你的显存与素材量调整网络维度和轮次。
训练类型 Wan_2_2_T2v_14B
网络维度 32
最大轮次 100
优化器 adamw8bit
取模型去 ComfyUI
训练完成后在「模型输出」里找到 .safetensors，复制到 ComfyUI 的 models/loras 即可加载。任务名要唯一，否则会互相覆盖。
ComfyUI/models/loras/
└─ 你的角色.safetensors
容易踩的坑
Z-Image Base 与 HunyuanVideo1.5 需要转格式
这两类底模训练出的权重不能被 ComfyUI 直接识别，加载了也不会生效。必须用「模型转换」功能转一遍——选模型、选文件、转换，三步完成，不用手动改任何文件。
其余底模（Wan2.2、Qwen-Image、Flux、Krea2、LTX2 等）训练出的 LoRA 可以直接放进 models/loras 使用。
常见问题
上手前你可能想知道的
需要自己装 Python 或 CUDA 吗？
不需要。5 套训练后端各带便携 Python 3.12 与 PyTorch 运行时，解压即用，不用配环境变量，也不用单独装 CUDA Toolkit（显卡驱动仍需自行安装）。
支持离线使用吗？
支持。Plus 版已移除在线校验与自动更新，运行期间不连接任何服务器，训练与数据处理全在本机完成。只有首次下载底模文件时需要联网。
为什么安装包有 20GB？
因为训练后端与 PyTorch 运行时全部内置了，这样你不用自己配环境。应用本体（不含训练环境）只有约 170MB，训练后端占了绝大部分。
我的显卡能跑吗？
22GB 显存的显卡可以跑 Wan2.2 14B（需开 FP8 底模存储）。8GB 显卡建议先降分辨率与目标帧数。块交换依赖内存，训练前请把系统可用内存留到 30GB 以上。
训练好的 LoRA 能直接用吗？
绝大多数底模可以直接放进 ComfyUI 的 models/loras 目录。Z-Image Base 与 HunyuanVideo1.5 需要先用「模型转换」功能转格式，否则 LoRA 不生效。
Wan2.2 高低噪要分开训吗？
不用。默认的 both 模式会在同一套权重上同时训练高低噪专家。如果你要两套独立权重，才需要拆成 low_only 与 high_only 两个任务各跑一次。
工作空间目录有要求吗？
不要有空格、中文和特殊符号，否则 Python 环境可能出问题。应用设置页有红色提示，改完目录建议点一次「修复环境」验证。
自动打标需要联网吗？上传素材吗？
不需要。打标在本机推理，素材不出本机。首次使用某个打标引擎需要下载对应的模型权重，之后就完全离线了。
打标引擎选哪个好？
追求细节描述用 Qwen3-VL 8B-Instruct；想要长描述和风格描述用 Qwen3.5（4B/9B/27B）；追求速度用 JoyCaption。音频模型训练用 ACE-Step。多数情况下 Qwen3-VL 的默认设置就够用。
中文标签还是英文标签？
数据集里可以指定「训练使用语言」，应用会按你选的语言走对应标签。做 Flux、SDXL 这类英文生态的底模建议英文标签；Qwen-Image、Wan 系列的 caption 本身偏中文，中文标签效果更稳。
显存不够 / 训练中途被挤爆怎么办？
优先开「FP8 底模存储」与块交换（Block Swap），14B 级模型在 22GB 卡上能跑起来。还爆就把训练分辨率或视频帧桶调小一档——注意改分辨率需要重算缓存。另外训练期间别同时开 ComfyUI 生图，它会抢走显存。
首次训练要准备多久？缓存会重复算吗？
缓存阶段最久：视频数据集逐帧编码潜空间与文本编码器输出，素材多时可能跑几小时。缓存按任务独立保存、不跨任务复用；只改训练参数的话，勾选「跳过缓存」可以直接续跑。真正的训练步数取决于「轮数 × 每轮样本数 × 批大小」，第一次建议用 20~30 张素材跑通流程再上量。