<h3 id="reupload">（reupload/补档）</h3><h2 id="introduction">介绍 / Introduction</h2>适用于 Moss-image 的 DAGASI 风格 LoRA，使用收集的约 3,000 张无修正图像训练。训练时加入了 <code>DAGASI*</code> 作为触发词，不过经过测试，你完全不需要它。 Moss-image真的是一个相当有潜力的模型，推荐所有人都试一试！A DAGASI style LoRA for Moss-image, trained on approximately 3,000 uncensored images. <code>DAGASI*</code> was included as a trigger word during training, but testing shows that it works perfectly well without it. Moss-image is a really promising model. I highly recommend that everyone give it a try!<h3>碎碎念</h3>这个 LoRA 原本是用作 Moss-image 的训练测试，不过值得庆幸的是，它训练得相当好。头一次训练 3,000 张图片的 LoRA，靠大肥鱼打标能直接掏空我的钱包 Orz。不得不部署一个 Gemma 4 来打标，成本才四块钱的云服务器费用，比肥鱼省钱多了，效果也相当好。目前的一些个人测试想法：<ul><li>训练参数：Moss-image 的 LoRA 相当吃训练参数。在我的测试中，学习率（LR）和 Alpha 几乎要达到其他模型的两倍，才能正常训练。</li><li>Rank：太小的 Rank 似乎无法正常拟合，推荐从 16 起步。</li><li>触发词：当前这个 LoRA 对触发词的响应相当差，甚至添加触发词还会导致画面出现文字。不过，这好像是普遍现象，还有待深入研究。</li><li>拟合速度：目前有人说 Moss-image 的 LoRA 在约 1,000 steps 就能拟合角色，但自己实测下来，拟合并没有想象中那么快。或许我该回去重新调整数据集了 : (</li></ul>

Files with SHA256: 2fdcc4a5fb635e881d0892a90c9f4b1ce10e96f791d17ac7ed385b4febebdb87