LoRA 是一份附加到基础模型上的小型权重。做游戏美术时，常见目标有两种：角色 LoRA让指定角色更容易保持外观；风格 LoRA让不同主体呈现相近的画风。两者的数据和 caption 写法不同，先决定要学什么，再准备图片。
本文先用原创狐狸邮差做一轮很小的角色样本演示，再说明如何准备真正的风格数据。练习包里有样图、caption、ComfyUI 工作流请求和运行记录：下载 LoRA 入门练习包。
1. 先选 Base 模型和目标
ComfyUI 的 FLUX.2 Klein 指南把未蒸馏的 4B Base 用于微调，把 Distilled 作为快速推理模型。Black Forest Labs 的训练说明也建议用 Base 开始微调；模型卡列出 4B 权重的 Apache-2.0 许可。实际使用前仍要核对你下载的权重、训练图片和输出内容各自的许可。
ComfyUI 内置的 Train LoRA 节点目前标为 experimental。界面和参数可能随版本变化。本例只核验本机安装版本里的节点是否能运行和保存权重，不把它说成 BFL 官方训练工具或稳定的高质量训练方案。
2. 数据集决定你训练到什么
如果目标是角色一致性，选同一角色、多个角度和表情的授权图片，在 caption 中使用固定触发词，例如 ZHENFOX，再写清当前画面中的服装、动作和背景。不要把角色名换来换去。
如果目标是画风，图片应该覆盖不同主体、构图和场景。BFL 的风格训练示例给出 20–40 张多样图片的建议；caption 描述“画面里有什么”，不要直接把要学习的画风词写进每条 caption。这样触发词才有机会对应到目标风格。数量只是起点，不能替代多样性和质量检查。
不要把网上随手搜到的二次元图片打包训练。先确认有权使用图片，并排除水印、重复图、低清图和不希望模型记住的标识。训练集只含你有权处理的内容。
3. 在 ComfyUI 里连起训练节点
按当前 ComfyUI 版本的节点文档检查节点输入。此版本的练习工作流依次加载 UNet、CLIP 和 VAE，读取带同名 .txt caption 的 PNG 文件，经 MakeTrainingDataset 编码后接入 TrainLoraNode，再用 SaveLoRA 保存权重，并用 LossGraphNode 观察 loss。
开始前先把模型文件放到 ComfyUI 对应模型目录，确认节点能看到模型名；再用 1–4 张小图和极少步数检查数据路径、节点连接、显存和输出位置。这个 smoke test 只回答“管线能不能跑、能不能保存”，不回答“训练出来有没有学会”。正式训练应按 Base 模型、自己的目标和硬件重新定数据、分辨率、rank、学习率、步数及验证集，不要照抄这次的四步参数。
4. 本机实测：跑通了保存和加载，没看出训练效果
环境是 M1 Max 64GB、macOS 27.0.1、ComfyUI 0.38.0，使用本机 MPS。先用 FLUX.2 Klein 4B Distilled 和一张原创狐狸参考图生成 4 张 880×1168 的角色样图，用时 90.47、77.53、75.79、76.66 秒，共 320.45 秒。狐狸围巾、外套、挎包等特征基本一致；地图上有无法辨认的小字，所以地图文字不能作为结果使用。
真正训练前，我先尝试用这 4 张原尺寸图片训练 4 步。ComfyUI 接受了工作流请求，但等待历史记录时连接重置，随后 8188 端口拒绝连接、进程已退出；没有生成 LoRA，也没有拿到崩溃日志，退出原因无法确认。重启本机 ComfyUI 后，将训练副本缩为 384×512，再用同一 Distilled 模型、4 张图、rank 4、学习率 0.0001 跑 4 步，耗时 88.49 秒，保存出约 12.3 MB 的 LoRA 文件。
我把这份 LoRA 实际加载进 ComfyUI，用同一提示词、seed、512×512 尺寸和 4 步采样各生成一次基础模型图和加载 LoRA 的图。整组对照耗时 36.16 秒；两张图几乎相同，没有观察到明确的角色或风格变化。
基础模型：同 seed 对照
加载 4 步 LoRA：同 seed 对照
所以这次只证明本机实验节点能读入数据、生成并保存一个 LoRA 文件，之后也能加载该文件做推理。样本只有 4 张、训练只有 4 步，而且用的是官方建议用于推理的 Distilled 权重；它不是训练完成的风格模型，也不能证明角色一致性提升。高分辨率训练断开的问题也没有找到根因。
5. 用同 seed 做验证
正式验证 LoRA 时，固定提示词、seed、基础模型、尺寸和采样设置，只切换 LoRA 开关。至少对照多个没放进训练集的主体或场景，检查目标特征是否稳定出现、是否污染背景或改变不相关内容。保存原图、参数、训练集版本和权重哈希；如果看不出稳定差异，就回到数据、caption 和训练参数，而不是只挑一张最好看的结果。
练习包和本例边界
练习包包含 4 张原尺寸样图、4 张缩小后的 smoke 副本、caption、生成与对照图、工作流请求及运行证据。可先在自己的 ComfyUI 上做结构检查：
python3 train_lora.py --check要把它改成真实风格训练，请先替换为自己有权使用的多样图片和 caption，再换成 Base 权重，并在目标机器上重新做低成本兼容性验证。脚本的训练参数与保存前缀是本例固定值，数据检查里的触发词也针对 ZHENFOX；它不是通用一键训练器。
我没有下载完 Base 权重，也没有租用或登录云 GPU 账号。Base 模型下载速度约 0.5 MB/s，下载到约 4.7% 时停止并删除了这次未完成的临时文件。因此，本例没有验证计划中的云 GPU 环境、Base 微调表现、长步数收敛、风格迁移质量、商业授权或其他设备上的显存需求。