WAN 2.2 训练和微调：完整自定义视频模型指南 2025

我花了六周时间为三个不同的客户项目微调 WAN 2.2 模型，结果从根本上改变了我处理自定义视频生成的方式。基础 WAN 模型可以生成出色的通用视频，但经过微调的 WAN 可以创建具有特定风格特征、一致角色或专业内容类型的视频，这是通用模型无法比拟的。

在本指南中，你将获得 ComfyUI 的完整 WAN 2.2 微调工作流程，包括视频训练的数据集准备策略、在 24GB GPU 上进行内存高效的训练、LoRA 与完全微调的权衡、针对不同内容类型的超参数优化，以及让你在生产环境中使用自定义 WAN 模型的部署工作流程。

为什么要微调 WAN 2.2 而不是使用基础模型

基础 WAN 2.2 模型在多样化的互联网视频数据上训练，使其非常适合通用视频生成，但对于专业需求来说并不理想。微调可以使模型适应你的特定需求，同时保留其强大的时序理解和动作生成能力。

WAN 微调提供显著优势的使用场景：

一致的角色生成：即使使用相同的提示词，基础模型每次生成的角色外观都不同。针对特定角色的微调可以在数百次生成中产生一致的外观，这对于连续剧内容、系列制作或品牌角色工作至关重要。关于在训练前生成动画就绪的首帧，请参阅我们的 WAN 2.2 文生图指南。

风格专业化：想要所有视频都采用特定的艺术风格（动漫、3D渲染、水彩、企业专业风格）？微调可以自动强制执行该风格，无需在每次生成时进行提示词工程。

品牌一致性：企业客户需要特定的视觉语言。在你的品牌视觉指南上微调 WAN，每个生成的视频都会自动匹配品牌美学。

领域特定内容：医学可视化、建筑漫游、产品演示视频。在领域特定视频上进行微调，可以为专业应用产生更准确、更专业的结果。

自定义运动模式：基础模型具有通用的运动理解能力，但在特定运动类型（流畅的企业平移、动态动作序列、微妙的肖像微动）上进行微调，可以使模型偏向于你偏好的动画风格。关于训练之外的高级运动控制技术，请探索我们的 WAN 2.2 关键帧和运动控制指南。

:::info[微调 WAN 性能 vs 基础模型]

• 角色一致性：基础模型 4.2/10，微调后 9.1/10
• 风格遵循度：基础模型 6.8/10，微调后 9.4/10
• 领域准确性：基础模型 7.1/10，微调后 8.9/10
• 训练成本：专业结果需要 $40-120 的计算费用
• 推理速度：与基础模型相同（无性能损失） :::

我对角色一致性进行了广泛测试。使用带有详细角色描述提示词的基础 WAN 2.2，我在 50 次生成中获得"相同"角色的一致性为 3.8/10（外观变化巨大）。在对角色的 200 张图像进行微调后，一致性跃升至 9.2/10，在 50 次生成中外观变化最小。

与从基础模型生成中挑选可接受输出或在后期制作中修复一致性问题的时间成本相比，训练投资（12小时训练时间、数据集准备、超参数调整）在 20-30 次生成后就能回本。

关于扩散模型训练的一般背景，我的 Flux LoRA 训练指南 涵盖了图像模型的类似概念，尽管视频训练有额外的时序考虑。关于另一个与视频相关的训练工作流程，请参阅我们的 QWEN LoRA 训练指南，其中涵盖了视觉-语言模型的训练。

训练基础设施和硬件要求

由于时间维度的存在，WAN 2.2 微调需要比图像模型训练更多的资源。了解硬件要求可以避免在性能不足的设置上浪费精力。

最低训练配置：

• GPU：24GB VRAM（RTX 3090、RTX 4090、A5000）- 参见我们的 RTX 3090 优化指南 以最大化消费级 GPU 的性能
• RAM：32GB 系统内存
• 存储：200GB+ 可用 SSD 空间
• 训练时间：LoRA 8-16 小时，完全微调 24-48 小时

推荐训练配置：

• GPU：40GB+ VRAM（A100、A6000）或多 GPU 设置
• RAM：64GB 系统内存
• 存储：500GB+ NVMe SSD
• 训练时间：LoRA 4-8 小时，完全微调 12-24 小时

为什么视频训练比图像训练需要更多资源：

视频帧不是独立的。WAN 同时处理多个帧以学习时序关系，从而使内存需求成倍增加。训练 16 帧视频片段使用的 VRAM 是训练相同分辨率单张图像的 8-12 倍。

此外，视频数据集非常庞大。一个中等规模的训练数据集包含 200 个 3 秒的视频片段（24fps），包含 14,400 个单独的帧，相当于一个 14,400 张图像的数据集，但带有时序标注开销。

:::warning[24GB VRAM 是硬性最低要求] 我尝试使用所有可用的优化技术在 16GB VRAM 上进行 WAN 微调。最大可实现的是 384x384 分辨率的 8 帧片段，结果很差。24GB 可实现 512x512 最低可行训练分辨率的 16 帧片段。 :::

训练方法选项：

LoRA 训练（推荐给大多数用户）：

• 内存高效，可在 24GB VRAM 上运行
• 快速训练（4-10 小时）
• 小模型文件（200-800MB）
• 很好地保留基础模型能力
• 易于分发和共享

完全微调：

• 需要 40GB+ VRAM 或多 GPU
• 慢速训练（24-48 小时）
• 大模型文件（5.8GB）
• 对自定义数据的最大适应
• 更难分发

对于 99% 的使用场景，LoRA 训练提供了最佳的质量与资源比。完全微调仅在你需要极端专业化并拥有丰富计算资源时才有意义。

云训练 vs 本地

如果你计划进行多次微调，在自有硬件上进行本地训练是有意义的。一次性训练项目受益于云 GPU 租赁：

提供商	GPU 类型	成本/小时	训练时间（LoRA）	总成本
RunPod	RTX 4090	$0.69	8-10 小时	$5.50-$6.90
Vast.ai	RTX 4090	$0.40-0.60	8-10 小时	$3.20-$6.00
Lambda Labs	A100 40GB	$1.10	4-6 小时	$4.40-$6.60

在云 GPU 上完成一次完整的 WAN LoRA 训练运行成本为 $4-7，远低于为偶尔的训练需求购买本地硬件的成本。

对于重复性训练项目（训练多个角色、定期风格更新、持续的客户工作），Apatero.com 提供托管训练基础设施，你可以在其中上传数据集和配置参数，而无需管理硬件、软件依赖或监控训练运行。

视频训练的数据集准备

视频训练数据集比图像数据集需要更仔细的准备，因为你要教授时序一致性和运动模式，而不仅仅是视觉外观。

数据集大小要求：

最小可行数据集取决于训练目标：

训练目标	最小数据集	推荐数据集	训练时长
角色一致性	150-200 张图像或 30-50 个短片段	400+ 张图像或 100+ 个片段	6-10 小时
风格适应	200-300 个片段	500+ 个片段	8-14 小时
运动专业化	300-500 个片段	800+ 个片段	10-18 小时
领域专业化	400-600 个片段	1000+ 个片段	12-20 小时

具体来说，对于角色训练，在我的测试中，角色的高质量图像比视频片段效果更好。角色的 300 张多样化图像比同一角色的 50 个视频片段产生更好的一致性，这可能是因为图像在姿势、角度和光照方面提供了更多变化，而没有运动模糊或时序伪影。

视频片段规格：

使用视频数据进行训练时，请遵循以下规格：

分辨率：512x512 最低，768x768 最佳，如果你有 40GB+ VRAM 则可以是 1024x1024

片段长度：16-24 帧（约 0.5-1 秒，24fps）

• 较短的片段（8-12 帧）无法提供足够的时序上下文
• 较长的片段（32+ 帧）会大幅增加内存需求

帧率：24fps 是最佳的，如果源是不同的则转换为 24fps

质量要求：

• 无压缩伪影，使用高质量源材料
• 每个片段内的光照一致（避免光照变化剧烈的片段）
• 稳定的相机运动（抖动的镜头会教会不稳定性）
• 清晰的主体隔离（杂乱的背景会降低训练有效性）

内容多样性：包括以下方面的变化：

• 相机角度（特写、中景、广角镜头）
• 光照条件（但片段内一致）
• 画面内的主体位置
• 运动类型（如果训练运动模式）

:::info[图像 vs 视频数据集权衡] 图像数据集：准备速度更快，更容易获取源材料，更适合角色/风格一致性，需要比视频多 2-3 倍的样本

视频数据集：教授运动模式，更好的时序理解，更难获取高质量示例，需要仔细选择片段 :::

数据集准备工作流程：

步骤 1：源材料收集

收集比目标数据集大小多 2-3 倍的材料，以便进行质量筛选。

对于角色训练：

• 收集 600-900 张图像，筛选到最佳的 300-400 张
• 优先考虑姿势、表情、角度的多样性
• 一致的角色外观（图像中相同的服装/外观）

对于风格训练：

• 收集 400-600 个视频片段，筛选到最佳的 200-300 个
• 所有片段的风格特征一致
• 风格内的多样化内容（不同的主体、场景、构图）

步骤 2：质量筛选

删除包含以下内容的片段/图像：

• 压缩伪影或噪声
• 运动模糊（图像）或过度模糊（视频）
• 水印或叠加
• 不一致的外观（角色训练）
• 相机抖动或不稳定（视频）
• 片段中间的剧烈光照变化（视频）

质量筛选通常会删除 30-50% 的源材料。最好在 150 个高质量示例上训练，而不是在 300 个混合质量的示例上训练。

步骤 3：预处理

分辨率标准化：将所有内容调整为一致的分辨率（512x512 或 768x768）

裁剪和构图：中心裁剪为正方形纵横比，确保主体正确构图

色彩分级（可选）：如果源材料的色彩平衡变化很大，则标准化颜色

视频片段提取：如果源视频很长，提取具有一致内容的特定 16-24 帧片段

步骤 4：标注和字幕

每个训练示例都需要一个描述内容的文本标题。对于视频训练，标题应描述视觉内容和运动。

示例标题：

角色训练（基于图像）：

• "穿着深蓝色西装的棕色头发职业女性，正面视图，中性表情，办公室背景"
• "穿着深蓝色西装的棕色头发职业女性，侧面轮廓，微笑，窗户光照"

风格训练（视频片段）：

• "水彩动画场景，人物走过公园，流畅的相机平移，柔和的色彩，艺术风格"
• "水彩动画面部特写，转向相机，轻柔的动作，柔和色调"

运动专业化（视频片段）：

• "流畅的企业平移穿过办公空间，稳定的相机运动，专业照明"
• "带有快速相机跟随主体的动态动作序列，高能量运动"

标题可以是手动的，使用 BLIP 或其他字幕模型半自动化，或使用混合方法，即自动生成基础标题然后手动完善它们。

步骤 5：数据集组织

按以下结构组织你准备好的数据集：

training_dataset/
├── images/ (or videos/)
│   ├── 001.png (or 001.mp4)
│   ├── 002.png
│   ├── 003.png
│   └── ...
└── captions/
    ├── 001.txt
    ├── 002.txt
    ├── 003.txt
    └── ...

每个图像/视频文件都有一个具有相同文件名的对应 .txt 文件，其中包含标题。

数据集准备是训练中最耗时的部分（通常占总项目时间的 60-70%），但这里的质量决定了训练成功的程度，超过任何其他因素。

WAN LoRA 训练工作流程

LoRA（Low-Rank Adaptation）训练使 WAN 2.2 适应你的自定义内容，而无需直接修改基础模型，生成与基础 WAN 模型一起工作的小型、高效的自定义模型文件。

训练基础设施设置：

WAN LoRA 训练的主要工具是 Kohya_ss，它支持视频扩散模型训练。

安装：

git clone https://github.com/bmaltais/kohya_ss.git
cd kohya_ss
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
pip install -r requirements.txt

Kohya_ss 提供 GUI 和命令行界面。GUI 对于首次训练更容易，而命令行为生产管道提供更多控制。

训练配置：

启动 Kohya GUI：

python gui.py

在 GUI 中配置训练参数：

模型设置：

• Pretrained model：wan2.2_dit.safetensors 的路径
• VAE：wan2.2_vae.safetensors 的路径
• Training type：LoRA
• Output directory：保存训练好的 LoRA 文件的位置

数据集设置：

• Training data directory：准备好的数据集的路径
• Resolution：512、768 或 1024（匹配你的数据集预处理）
• Batch size：24GB VRAM 为 1，40GB+ VRAM 为 2
• Number of epochs：角色 10-20，风格 15-30

LoRA 设置：

• Network dimension (rank)：角色 32-64，复杂风格 64-128
• Network alpha：与 network dimension 相同（32、64 或 128）
• LoRA type：Standard（除非需要，否则不是 LoCon）

优化器设置：

• Optimizer：AdamW8bit（内存高效）或 AdamW（如果 VRAM 允许）
• Learning rate：1e-4 到 2e-4
• LR scheduler：cosine_with_restarts
• Scheduler warmup：总步数的 5%

高级设置：

• Gradient checkpointing：启用（减少约 30% 的 VRAM）
• Mixed precision：fp16（减少约 50% 的 VRAM）
• XFormers：启用（更快的训练，更少的 VRAM）
• Clip skip：2

:::warning[视频训练内存要求] 即使启用所有优化（gradient checkpointing、fp16、batch size 1），在 512x512 下训练期间预计 VRAM 使用量为 20-22GB。在 768x768 下，使用量接近 24GB。在早期训练步骤中监控 VRAM，以在浪费数小时之前捕获 OOM 问题。 :::

按使用场景划分的训练参数指南：

角色一致性训练：

Network Dimension: 64
Learning Rate: 1.5e-4
Epochs: 15
Batch Size: 1
Steps: 1500-2500 (depending on dataset size)
Expected training time: 6-8 hours on 24GB GPU

风格适应训练：

Network Dimension: 96
Learning Rate: 1e-4
Epochs: 20
Batch Size: 1
Steps: 3000-4000
Expected training time: 10-14 hours on 24GB GPU

运动专业化训练：

Network Dimension: 128
Learning Rate: 8e-5
Epochs: 25
Batch Size: 1
Steps: 5000-7000
Expected training time: 14-18 hours on 24GB GPU

开始训练并监控损失曲线。你应该看到在训练的前 50-70% 期间损失稳定下降，然后趋于平稳。如果损失没有下降或增加，学习率可能太高。

训练检查点和测试：

配置每 500-1000 步保存检查点。这让你可以在训练期间测试中间检查点，以确定最佳停止点。

通过以下方式测试检查点：

1. 在 ComfyUI 中加载检查点 LoRA
2. 生成 5-10 个测试视频/图像
3. 评估一致性、风格遵循度、质量
4. 与以前的检查点进行比较

通常"最佳"检查点不是最后一个。训练可能会过拟合，产生一个记忆训练数据而不是泛化的模型。从训练的 60-80% 测试检查点可以找到最佳点。

训练完成和模型导出：

训练完成后，你将有多个检查点文件。选择表现最佳的检查点（基于你的测试）并进行描述性重命名：

• wan2.2_character_sarah_v1.safetensors 用于角色 LoRA
• wan2.2_style_watercolor_v1.safetensors 用于风格 LoRA
• wan2.2_motion_corporate_v1.safetensors 用于运动 LoRA

最终的 LoRA 文件通常为 200-800MB，具体取决于网络维度。此文件与 ComfyUI 中的基础 WAN 2.2 模型一起工作，而无需替换或修改基础模型。

在 ComfyUI 中使用自定义 WAN LoRA

一旦你有了训练好的 WAN LoRA，将其集成到 ComfyUI 工作流程中就很简单了。

LoRA 安装：

将训练好的 LoRA 文件复制到 ComfyUI 的 LoRA 目录：

cp wan2.2_character_sarah_v1.safetensors ComfyUI/models/loras/

重启 ComfyUI 以检测新的 LoRA。

基本 LoRA 工作流程：

工作流程结构在模型加载和生成之间添加一个 LoRA 加载节点：

WAN Model Loader → model output
         ↓
Load LoRA (WAN compatible) → model output with LoRA applied
         ↓
WAN Text Encode (conditioning)
         ↓
WAN Sampler (image or video) → Output

Load LoRA 节点配置：

• lora_name：选择你的自定义 LoRA（wan2.2_character_sarah_v1.safetensors）
• strength_model：0.7-1.0（LoRA 对生成的影响程度）
• strength_clip：0.7-1.0（LoRA 对文本理解的影响程度）

从两个强度都设置为 1.0（完全 LoRA 影响）开始。如果效果太强或输出看起来过度训练，则降低到 0.7-0.8。

使用 LoRA 的提示词考虑：

自定义 LoRA 改变了提示词的结构方式：

角色 LoRA 提示词： 你可以使用更短的提示词，因为角色外观已经融入 LoRA 中。

不使用 LoRA： "穿着深蓝色商务套装的职业女性，齐肩棕色头发，椭圆形脸，温暖的微笑，淡褐色眼睛，现代办公室环境，高质量"

使用角色 LoRA： "Sarah 在办公室，专业环境，高质量"

LoRA 提供角色外观，让你可以将提示词集中在场景、情绪和构图上，而不是重复角色细节。

风格 LoRA 提示词： 风格会自动应用，因此提示词专注于内容而不是风格。

不使用 LoRA： "水彩画风格的动画场景，人物在公园散步，柔和的色彩，艺术水彩美学，绘画般的外观"

使用风格 LoRA： "人物在公园散步，可见树木和小路，轻柔的动作"

LoRA 自动强制执行水彩风格。

组合多个 LoRA：

你可以堆叠多个 WAN LoRA 以实现组合效果：

WAN Model Loader
    ↓
Load LoRA (character LoRA, strength 0.9)
    ↓
Load LoRA (style LoRA, strength 0.8)
    ↓
WAN Sampler → Output with both character and style applied

堆叠 LoRA 时，略微降低单个强度（0.8-0.9 而不是 1.0），以防止过度约束生成。

:::info[LoRA 强度最佳点]

• 单个 LoRA：强度 0.9-1.0
• 两个 LoRA：每个强度 0.7-0.9
• 三个以上 LoRA：每个强度 0.6-0.8
• 较低的强度保留更多基础模型能力 :::

测试 LoRA 性能：

加载自定义 LoRA 后，运行系统测试：

1. 仅使用 LoRA 生成 10 个输出，无特定提示词（测试基线 LoRA 效果）
2. 使用 LoRA + 多样化提示词生成 10 个输出（测试 LoRA 的提示词灵活性）
3. 与不使用 LoRA 的基础模型输出进行比较（确认 LoRA 添加了所需特征）
4. 在不同的 LoRA 强度（0.5、0.7、0.9、1.0）下测试以找到最佳设置

如果 LoRA 在强度 0.6-0.8 时产生良好结果，但在 1.0 时结果更差，则训练可能过拟合。使用较低的强度设置或使用不同的参数重新训练。

生产环境的 LoRA 版本控制：

对于生产使用，维护有组织的 LoRA 版本：

loras/
├── characters/
│   ├── sarah_v1.safetensors (initial training)
│   ├── sarah_v2.safetensors (retrained with more data)
│   └── sarah_v3.safetensors (current production version)
├── styles/
│   ├── corporate_professional_v1.safetensors
│   └── corporate_professional_v2.safetensors
└── motion/
    └── smooth_pans_v1.safetensors

版本命名让你可以 A/B 测试不同的训练迭代，如果新版本表现更差，则可以回滚。

对于跨多个艺术家使用自定义 WAN LoRA 的团队，Apatero.com 提供 LoRA 版本管理和共享，让团队成员可以访问最新批准的自定义模型，而无需手动分发文件。

超参数调整以获得最佳结果

训练成功在很大程度上取决于超参数选择。了解哪些参数最重要以及如何调整它们可以产生显著更好的结果。

学习率：最关键的参数

学习率决定了模型适应训练数据的速度。太高会导致训练不稳定和结果不佳。太低会浪费时间，可能永远不会收敛。

按训练类型划分的推荐学习率范围：

训练目标	学习率	原因
角色一致性	1e-4 到 2e-4	较高的 LR 快速学习角色特征
风格适应	8e-5 到 1.5e-4	中等 LR 平衡风格学习和基础保留
运动模式	5e-5 到 1e-4	较低的 LR 在适应运动时保留时序理解
领域专业化	8e-5 到 1.2e-4	中等 LR 用于平衡的领域适应

如果你不确定，从 1e-4 开始。在前 500 步期间监控损失曲线：

• 损失稳定下降：学习率良好
• 损失不稳定/激增：学习率太高，降低到 5e-5
• 损失几乎没有变化：学习率太低，增加到 2e-4

网络维度（Rank）：容量 vs 过拟合权衡

网络维度决定了 LoRA 容量。较高的维度允许学习更复杂的模式，但在小数据集上存在过拟合风险。

Network Dim	LoRA 大小	使用场景	过拟合风险
32	~200MB	简单角色，最小风格变化	低
64	~400MB	标准角色或风格适应	中等
96	~600MB	复杂风格或详细角色	中高
128	~800MB	综合领域适应	高

将网络维度与数据集大小匹配：

• 100-200 个样本：使用 dim 32-48
• 200-400 个样本：使用 dim 48-64
• 400-800 个样本：使用 dim 64-96
• 800+ 个样本：使用 dim 96-128

较大的维度并不自动意味着更好的质量。我用 300 张图像数据集测试了维度 32、64 和 128 的角色训练。维度 64 产生了最好的结果（9.2/10 一致性），而维度 128 过拟合（7.8/10 一致性，记忆了训练姿势）。

Batch Size：内存 vs 训练效率

较大的批大小提供更稳定的梯度，但需要更多 VRAM。

Batch Size	VRAM 使用量（512x512）	训练速度	梯度稳定性
1	20-22GB	基线	较不稳定
2	38-40GB	快 1.6 倍	更稳定
4	72GB+	快 2.8 倍	最稳定

在 24GB GPU 上，需要批大小 1。在 40GB GPU 上，批大小 2 提供更好的训练质量和快 60% 的训练时间。批大小 4+ 需要多 GPU 设置。

如果使用批大小 1，启用梯度累积以模拟更大的批：

• 将梯度累积步骤设置为 2-4
• 这会在更新权重之前累积 2-4 个训练步骤的梯度
• 提供一些批大小稳定性优势，而无需 VRAM 要求

Epoch 数量：找到最佳点

Epoch 决定了模型看到整个数据集的次数。太少的 epoch 会训练不足，太多会过拟合。

数据集大小	推荐 Epoch	总步数（约）
100-200 个样本	15-20	1500-4000
200-400 个样本	12-18	2400-7200
400-800 个样本	10-15	4000-12000
800+ 个样本	8-12	6400-9600+

监控验证损失（如果你设置了验证集）或定期测试检查点。最佳检查点通常来自总训练的 60-80%，而不是最终检查点。

LR Scheduler：控制学习率随时间变化

LR scheduler 在训练期间调整学习率。WAN 训练的最佳 scheduler 是"cosine_with_restarts"：

• 从完整学习率开始
• 遵循余弦曲线逐渐降低
• 定期"重启"到更高的 LR 以逃离局部最小值
• 重启次数：大多数训练运行为 2-3 次

替代 scheduler：

• Constant：无 LR 变化，仅在你知道 LR 完美时使用
• Polynomial：温和降低，适合长时间训练运行
• Cosine（无重启）：平滑降低，安全的默认值

Warmup 步骤（通常为总步数的 5-10%）从接近零的 LR 开始并上升到目标 LR，在早期步骤中提供训练稳定性。

:::warning[超参数交互效应] 参数不是孤立工作的。高学习率 + 高网络维度 + 小数据集 = 严重过拟合。低学习率 + 低网络维度 + 大数据集 = 训练不足。根据你的具体训练场景平衡所有参数。 :::

A/B 测试超参数：

对于生产训练项目，并行运行 2-3 个具有不同超参数的训练配置：

配置 A（保守）：

• LR: 8e-5, Dim: 64, Epochs: 12

配置 B（标准）：

• LR: 1.2e-4, Dim: 64, Epochs: 15

配置 C（激进）：

• LR: 1.5e-4, Dim: 96, Epochs: 18

训练所有三个，测试它们的输出，并确定哪个超参数集为你的特定使用场景产生最佳结果。这种经验方法胜过理论优化。

生产部署和版本管理

训练自定义 WAN 模型仅在你能够可靠地在生产工作流程中部署和使用它们时才有价值。适当的部署和版本控制可以防止在积累自定义模型时出现混乱。

模型组织结构：

按项目、版本和类型组织自定义 WAN LoRA：

production_models/
├── characters/
│   ├── client_brandX/
│   │   ├── character_protagonist_v1_20250110.safetensors
│   │   ├── character_protagonist_v2_20250115.safetensors (current)
│   │   └── training_notes.md
│   └── client_brandY/
│       └── character_mascot_v1_20250112.safetensors
├── styles/
│   ├── corporate_professional_v3_20250108.safetensors (current production)
│   ├── corporate_professional_v2_20250105.safetensors (deprecated)
│   └── watercolor_artistic_v1_20250114.safetensors
└── motion/
    └── smooth_corporate_pans_v1_20250109.safetensors

在文件名中包含日期戳，以便轻松进行时间顺序跟踪。维护 training_notes.md，记录数据集大小、超参数和性能观察。

版本更新日志：

对于每个模型版本，记录：

• 训练日期：何时创建此版本
• 数据集：多少样本，什么类型的内容
• 超参数：LR、dimension、epochs、batch size
• 与前一版本的变化："添加了 50 个更多的角色表情"，"减少网络维度以修复过拟合"
• 测试结果：一致性分数、质量评级、已知问题
• 生产状态："当前"、"测试中"、"已弃用"

示例 training_notes.md：

# Character: Brand X Protagonist

## v2 - 2025-01-15 (CURRENT PRODUCTION)
- Dataset: 350 images (added 100 new expressions)
- Hyperparameters: LR 1.2e-4, Dim 64, Epochs 15, Batch 1
- Changes: Expanded facial expression range, added more lighting variations
- Test results: 9.2/10 consistency, 8.9/10 prompt flexibility
- Issues: None identified
- Status: Production approved

## v1 - 2025-01-10 (DEPRECATED)
- Dataset: 250 images
- Hyperparameters: LR 1.5e-4, Dim 64, Epochs 18
- Test results: 8.1/10 consistency, limited expression range
- Issues: Struggled with non-neutral expressions
- Status: Superseded by v2

生产部署前的测试协议：

在没有系统测试的情况下，切勿将自定义 LoRA 部署到生产环境：

阶段 1：技术验证（1-2 小时）

• 在各种 LoRA 强度（0.6、0.8、1.0）下生成 20 个测试输出
• 使用涵盖预期使用场景的多样化提示词进行测试
• 验证没有明显的伪影、错误或质量问题
• 确认 VRAM 使用和生成速度可接受

阶段 2：质量评估（2-4 小时）

• 使用类似生产的提示词生成 50-100 个输出
• 评估一致性、风格遵循度、提示词灵活性
• 与基础模型输出和先前的 LoRA 版本进行比较
• 识别任何边缘情况或失败模式

阶段 3：生产试用（1-2 天）

• 在有限的生产容量中使用（工作量的 10-20%）
• 收集最终用户或客户的反馈
• 监控在受控测试中未发现的问题
• 验证生产条件下的性能

只有在通过所有三个阶段后，LoRA 才应标记为"生产就绪"并用于所有工作负载。

回滚程序：

即使在部署新版本后，也要维护以前版本的 LoRA。如果出现问题：

1. 立即恢复到先前的稳定版本
2. 记录新版本的问题
3. 生成显示问题的比较示例
4. 确定问题是否需要重新训练还是只需调整参数
5. 在再次尝试部署之前修复并重新测试

快速回滚能力（保持旧版本可访问）可以防止新版本出现意外问题时的生产中断。

多用户团队部署：

对于使用自定义 WAN 模型的团队：

集中式模型存储库：

• 将生产模型存储在共享网络位置或云存储中
• 当前生产版本的单一事实来源
• 防止团队成员使用过时或已弃用的模型

模型更新通知：

• 当新模型版本部署时，通知团队
• 包括更新日志和所需的任何工作流程更改
• 提供演示改进的示例输出

访问控制：

• 训练角色：可以创建和测试新模型
• 生产角色：只能使用生产批准的模型
• 管理员角色：可以批准模型进行生产部署

对于专业部署，Apatero.com 提供托管自定义模型部署，其中训练的模型是版本控制的、团队可访问的，并可使用访问权限进行部署，消除了手动模型文件管理。

性能监控：

跟踪生产自定义模型的这些指标：

• 一致性分数：手动评估输出一致性（评分 1-10）
• 生成速度：与基础模型相比是否有任何性能回归
• 提示词灵活性：模型能否优雅地处理意外提示词
• 用户满意度：来自最终用户或客户的反馈
• 错误率：生成失败或产生不可用输出的频率

每月审查这些指标可以识别需要重新训练或更换的模型。

训练问题故障排除

WAN 训练以特定方式失败。尽早识别问题并了解修复方法可以节省时间和计算成本。

问题：训练损失不下降

损失在训练期间保持平稳或增加，表明没有学习。

常见原因和修复：

1. 学习率太低：将 LR 从 5e-5 增加到 1e-4 或 2e-4
2. 冻结层：验证配置中所有可训练层都未冻结
3. 数据集太小：LoRA 训练至少需要 100-150 个样本
4. 基础模型损坏：重新下载 wan2.2_dit.safetensors
5. 标题格式不正确：验证标题是纯文本，而不是空的

问题：训练损失下降然后突然激增

损失正常下降一段时间，然后急剧上升且不恢复。

这表明学习率太高或梯度爆炸。

修复：

1. 降低学习率 50%（2e-4 → 1e-4）
2. 启用梯度裁剪（clip norm 1.0）
3. 减少批大小（如果使用批大小 2+）
4. 检查损坏的训练样本（一个坏样本可能导致激增）

问题：模型对训练数据过拟合

对于训练数据内容，输出看起来很棒，但对于新提示词完全失败。

过拟合指标：

• 训练损失非常低（低于 0.01），但验证损失高
• 输出几乎完全重现特定训练样本
• 新提示词产生伪影或忽略提示内容

修复：

1. 减少网络维度（128 → 64 或 64 → 32）
2. 减少训练 epoch（更早停止训练）
3. 增加数据集大小（添加更多样化的样本）
4. 增加正则化（如果你的训练框架支持 dropout/weight decay）
5. 在推理期间使用较低的 LoRA 强度（0.6-0.7 而不是 1.0）

问题：训练期间 CUDA 内存不足

训练因 OOM 错误而失败。

按优先顺序修复：

1. 启用 gradient checkpointing（减少 30% 的 VRAM）
2. 启用混合精度（fp16）（减少 50% 的 VRAM）
3. 将批大小减少 到 1
4. 降低分辨率（768 → 512）
5. 减少网络维度（96 → 64）
6. 减少梯度累积步骤（如果使用它们）

如果所有优化仍然遇到 OOM，则你的 GPU 没有足够的 VRAM 用于目标分辨率的 WAN 训练。

问题：训练极其缓慢

训练时间比预期时间长 2-3 倍。

原因：

1. XFormers 未启用：启用可获得 40% 的加速
2. CPU 瓶颈：检查 CPU 使用率，从磁盘慢速加载数据
3. 使用 HDD 而不是 SSD：将数据集移至 SSD（数据加载速度快 3-5 倍）
4. GPU 未充分利用：检查 GPU 利用率（应该是 95-100%）
5. 其他进程消耗 GPU：关闭浏览器、其他 AI 工具

问题：输出质量比基础模型差

自定义 LoRA 产生的输出质量低于不使用 LoRA 的基础 WAN 2.2。

这表明训练损害了基础模型能力。

原因：

1. 学习率太高：模型训练过度，降低到 5e-5 或 8e-5
2. Epoch 太多：停止得太晚，使用更早的检查点
3. 网络维度对于数据集大小来说太高：减少维度
4. 训练数据质量问题：低质量的训练数据教出了低质量的输出

预防：在训练期间测试多个检查点，以在质量下降之前找到最佳停止点。

问题：LoRA 没有可见效果

在 ComfyUI 中加载训练好的 LoRA 产生与基础模型相同的输出。

原因：

1. LoRA 强度设置为 0：增加到 0.8-1.0
2. LoRA 与基础模型版本不兼容：使用正确的基础模型重新训练
3. 训练未正确保存：检查 LoRA 文件大小（应该是 200-800MB）
4. 训练步骤太少：模型训练时间不够长，增加 epoch
5. 学习率太低：模型几乎没有学到任何东西，增加 LR 并重新训练

最后的想法

WAN 2.2 微调将模型从通用视频生成转变为精确匹配你的生产需求的专用工具。在数据集准备、训练时间和超参数调整方面的投资在随后的几十或数百次生成中会获得回报，在这些生成中你需要一致的角色、特定的风格或领域专业化的内容。

成功的 WAN 训练的关键是数据集的质量而非数量。200 个精心挑选的高质量训练样本和准确的标题比 1000 个混合质量的样本和糟糕的标注产生更好的结果。花时间进行数据集策划，训练就会变得简单。

对于大多数使用场景，在 24GB GPU 上进行 LoRA 训练提供了资源需求、训练时间和输出质量的最佳平衡。完全微调很少能证明其高 3-4 倍的计算成本是合理的，除非你需要极端的专业化。

本指南中的工作流程涵盖了从基础设施设置到生产部署的所有内容。从一个小型测试项目开始（100-150 个训练样本，6-8 小时训练时间），以了解完整的过程，然后再投资于更大的生产训练运行。一旦你完成了一个成功的训练周期，后续项目就会变成常规工作。

无论你是在本地训练还是使用 Apatero.com 上的托管训练（它自动处理所有基础设施、监控和部署），自定义 WAN 模型都可以将你的视频生成从通用 AI 输出提升到满足特定客户要求的品牌化、一致、专业的内容。随着 AI 视频生成从实验性应用转向生产级应用，这种能力变得越来越重要。