wan2.2 在线训练文章
在本教程中，我们将带你完整体验如何在 吐司 平台上使用 Wan2.2 进行在线训练。为了更直观地展示效果，本示例将采用 图生视频（Image2Video）训练。
步骤 1 – 打开在线训练页面
进入 在线训练 页面。 在这里，你可以选择 文生视频 或 图生视频。 👉 本教程选择 图生视频。
步骤 2 – 上传训练数据
上传你准备好的训练素材。
可以逐个文件上传；
如果你已经在本地整理好数据与打标文件，可以打包成 zip 压缩包后上传。
步骤 3 – 调整参数
数据上传完成后，右侧会出现参数面板。 💡 提示：如果你上传的是视频片段，建议保持在 5 秒左右，能获得更佳的训练效果。
步骤 4 – 设置提示词与预览帧
在提示词栏输入你期望的训练结果描述；
随着训练进行，每个 epoch 都会生成预览效果，方便你比较与挑选最佳版本；
在 图生视频 LoRA 训练中，你还可以设定预览视频的第一帧。
步骤 5 – 开始训练
当一切设置完成后，点击 立即训练 即可开始训练。 训练完成后，每个 epoch 都会生成一个预览视频。 你可以对比这些预览，并选择表现最佳的版本进行发布。
步骤 6 – 发布模型
完成发布后，等待几分钟，你的 Wan2.2 LoRA 模型 就可以投入使用了。
推荐训练参数（质量均衡型）
网络模块：LoRA 基础模型：Wan2.2 – i2v-high-noise-a14b 触发词：（建议使用简短独特的标签，例如 your_project_tag）
图像处理参数
Repeat：1
Epoch：12
保存间隔（Save Every N Epochs）：1–2
视频处理参数
Frame Samples：16
Target Frames：20
训练参数
Seed：–
Clip Skip：–
文本编码器学习率（Text Encoder LR）：1e-5
UNet 学习率：8e-5 （推荐低于 1e-4，提升稳定性）
学习率调度器：cosine（若可用则 warmup 100 steps）
优化器：AdamW8bit
Network Dim：64
Network Alpha：32
梯度累积步数：2 （若显存有限可降至 1）
标签参数
打乱标签（Shuffle caption）：–
保留 n 个 token（Keep n tokens）：–
高级参数
Noise offset：0.025–0.03（推荐 0.03）
Multires noise discount：0.1
Multires noise iterations：10
conv_dim：–
conv_alpha：–
Batch Size：1–2（取决于显存）
视频长度（Video Length）：2
采样图像设置
采样器：euler
提示词（示例）：
小技巧
训练视频时长建议保持在 约 5 秒，效果最佳。
数据集应保持一致性（光照、构图、风格），以避免模型出现漂移。
如果预览出现过拟合（画面模糊、细节抖动），可尝试将 UNet 学习率降至 6e-5 或减少 Epoch 至 10。
如果希望风格绑定更强，可尝试：
Network Dim 提升至 96，Alpha 提升至 64；
同时将 UNet 学习率降低至 6e-5。
Qwen在线训练教程
Wan2.2和Qwen—image的活动上开始
快来学习一下如何训练这俩种类型的lora吧
首先我们打开在线训练
点击‘标准’选择Qwen image作为训练底膜
让创作者兴奋的是 LoRA 微调技术—— 只需 10 张图片，就能让 Qwen-Image 学会你的专属风格。
第一步：10分钟搞定模型的训练素材集
数据集10-50 张风格统一或主题一致或主体一致的图片，尺寸大小没有限制
触发词：自定义一个风格关键词（如 “fashion_style”），后续生图时用该词调用风格。
设置单张次数为“20”次，训练轮次10轮，填写LoRA模型名称等相关参数
将你想要预览生成的图片提示词填入【模型效果预览提示词】输入框中，qwen-image支持中文提示词。
这里我写的是
【制作一张幽默的宣传海报，主体是一只戴墨镜的猫咪，白色描边的剪贴画风格，摆出疑惑和酷炫的表情。背景是亮黄色带折痕质感，上方有醒目的英文大标题“STAY COOL”，下面配有小字韩文。画面中加入漫画风格的感叹符号、箭头和手绘特效，整体呈现搞怪又时尚的视觉设计。】
设置好我们就可以点击【立即训练】
在训练过程中我们会通过预览图来决定效果最好的lora
挑选最好的lora发布即可
等待数分钟部署完毕即可运行