-Z图像现在支持在具有12GB VRAM的GPU上进行LoRA训练。 -训练规范包括使用低VRAM、关闭层卸载和使用BF16数据类型。 -具体包括批量大小为1，梯度累积为1，以线性的秩为32的LoRA为目标。 -在禁用差异输出保留和空白提示保留的同时，实现了缓存文本嵌入等优化。 -使用样本和保存3000步的训练估计时间约为1.5小时。 -开发人员Ostris因引入这种高效的训练方法而获得Patreon的支持。 最终答案：Z图像现在支持在具有12GB VRAM的GPU上进行LoRA训练。训练的细节包括低VRAM使用率、关闭层卸载和使用BF16数据类型。此外，关键细节包括特定参数，如批量大小1、梯度累积1，以及以线性的秩为32的LoRA为目标，并进行缓存文本嵌入等优化。3000步的训练时间估计约为1.5小时，开发人员Ostris在Patreon上获得了这项创新的支持。 简介 本指南将介绍如何利用Ostris快速实现对Z Image的LoRA训练支持，借助ai-toolkit工具，在显存有限的GPU（如12GB显存的显卡）上快速高效地训练LoRA模型。通过精细的参数设置和合理的硬件选择，普通用户也能轻松开展AIGC模型的微调与实验。同时也为想要支持开源社区的读者提供开发者信息。 内容总结 本文主要介绍了Ostris为LoRA训练加入Z Image支持的过程。相关代码与适配器分别开源在GitHub和HuggingFace，并有适配的runpod在线模板可直接使用。文中详细列举了训练所需的全套参数配置，包括低显存选项、量化精度、优化器选择、学习率、保存频率、硬件需求（如12GB显存的RTX 5090），以及基于17张图片的数据集实验。用户实践中，3000步训练约需1.5小时，效果已初步显现，未来大量LoRA作品涌现可期。开发者Ostris正通过Patreon接受捐赠。 Hacker News精选观点 - LoRA技术结合低显存支持和高效算法，使基于消费级GPU的微调成为可能，大幅降低了模型创新与实验门槛。 - 利用float8量化和优化的AdamW8Bit优化器，有效平衡显存占用与模型性能，特别适用于资源受限的个人用户。 - Z Image的支持让LoRA训练进一步提速，尤适合小样本高产出需求的应用场景。 - 经验分享：合理分配量化参数和显存设置，对模型收敛速度与结果影响较大，建议用户多尝试不同参数组合以获取最佳效果。 - 社区普遍认可开源开发者的贡献，并鼓励用户给予捐赠支持，促进AI生态快速发展。 知识提炼与实践要点 1. LoRA与量化技术让12G显存GPU也能玩转AI微调——关键在于float8量化、分层优化和合适的学习率设置。 2. ai-toolkit加Z Image适配方案，适合对AIGC模型微调有实用需求的用户，结合现成模板可快速上手。 3. 小数据集训练时，建议多做中途保存和参数尝试，以防过拟合并兼顾效率。 4. 积极关注和打赏优秀开源开发者，有助于推动未来更多工具与社区资源的快速涌现。 结语 如果你正在寻找低成本、高效率的AIGC模型微调解决方案，本文介绍的Ostris Z Image LoRA工具链无疑值得一试。提升生产力的同时，也欢迎支持持续推动社区创新的开发者。