Qwen-Image 0.1全量微调：生成工作流与云端训练概览

作者：@T8star-Aix

本期介绍老白的 Qwen-Image 0.1 实验性微调模型、配套生成工作流，以及云端全量微调训练器的操作概况。视频把直接微调底模与合并 LoRA 的做法作了区分；下述模型性质、效果和资源开放情况均为作者录制当时的介绍，不代表本站完成了训练或独立性能验证。

一、0.1版是验证路径的实验模型
作者说明，当时的数据集规模有限，0.1版主要用于验证直接微调 Qwen-Image 的可行性。他展示了人像与全身样张，认为部分塑料感和不自然感有所改善。此处是作者对展示图片的主观判断，不能外推到全部题材，也不能把片中提及的未来版本计划写成已经发布。

二、生成流程分为出图、低降噪重绘与放大
视频先介绍基础生成工作流，再展示加入加速 LoRA 和题材 LoRA 的版本。两阶段思路是先生成基础图片，再通过低降噪重绘处理局部问题，最后比较不同放大方案。视频也提醒，不同修复方式对噪点较多或较少的输入可能有不同表现。

完整音频的自动转录存在重复、时间戳不可靠及部分术语误识别，本摘要仅采用含义明确的概括性段落，本稿不据此给出可直接照抄的节点参数或速度倍数。具体节点与参数应以作者提供的原工作流为准，使用前先用自己的环境小规模验证。

作者分别介绍了公开提供与会员专属的题材 LoRA。原帖中的相关入口保留，访问和使用应遵守作者授权；未公开资源不等于可以从体验工作流中提取。

三、全量微调的准备与启动概况
视频后半段进入云端训练器，说明全量训练比普通 LoRA 更需要计算资源、时间和预算。作者在其演示配置中使用较大显存的单卡环境，并提醒更大规模训练可能涉及多卡；这些说明不构成对任意硬件或数据集的最低配置保证。

操作概况为：进入训练器目录，将图片及对应文本放入数据目录，核对预设配置，再按该镜像提供的启动说明运行。数据形式与图文配对的 LoRA 数据集相似，但训练对象和资源开销不同。视频展示了重复次数、训练轮次等设置；它们与图片数量的乘积不能直接等同所有训练配置下的优化器更新步数，批次和其他设置也会影响实际步数。

本稿不补造音频中未被读出的终端命令，也不把“预设都配好了”当成无需检查版本、路径、许可和费用的保证。运行前应查看镜像说明，确认输出目录和保存策略，并留出试跑与恢复的空间。

四、适用范围与局限
作者认为该流程更适合确有底模训练需求、研究或作品实验的人；只需学习某个人物或风格时，LoRA 通常是更轻量的起点。是否选择全量微调，应结合目标、数据授权、硬件预算和独立评估结果决定，不以模型文件更大作为效果更好的依据。

本帖技术资源
老白Qwen-Image训练器（保留原帖地址）：https://studio.aigate.cc/#/image ... p;coupon=JNZZMNLXGI
古风加速多重放大工作流：https://www.runninghub.cn/post/1 ... inviteCode=rh-v1121
洛丽塔服饰主题工作流（作者说明涉及会员专属模型）：https://www.runninghub.cn/post/1 ... inviteCode=rh-v1121
Office Lady题材工作流：https://www.runninghub.cn/post/1 ... inviteCode=rh-v1121
无加速原版放大工作流：https://www.runninghub.cn/post/1 ... inviteCode=rh-v1121
【原帖模型资源：https://pan.quark.cn/s/7f9be6ee7ae8】
原帖提示模型放在ComfyUI的models目录内；具体子目录请以所用节点和作者说明为准。

原帖其他训练镜像与资料
Kontext镜像：https://www.chenyu.cn/console/ne ... vitationCode=NGT5S4
Wan2.2镜像：https://www.chenyu.cn/console/ne ... vitationCode=NGT5S4
Qwen-Image镜像：https://www.chenyu.cn/console/ne ... vitationCode=NGT5S4
节点地图：https://github.com/T8mars/Comfyui-Aix-NodeMap
本期图文与工作流资料：https://t.zsxq.com/3tLcV
原地址与参数保留；是否仍可用及访问权限以作者页面为准。资料页可能要求登录，会员模型依原授权使用。

本文依据本期P1完整音频的AI转录整理，仅提供主题和流程概览，不是准确逐句转录或完整操作教程。效果评价均为原作者说法，并非本站独立实测；精确参数、连线和指令请以原视频及工作流为准。