在 LiblibAI 上出图，第一个决定不是写提示词，而是选模型：checkpoint 决定画面的整体基调，LoRA 在基调之上补充特定元素，两者的分工理清了，选型就变成两道简单的判断题。选错模型的代价是提示词写得再好也救不回来，所以先把这道决策做对。
checkpoint 先定基调
checkpoint 是包含完整画面能力的主模型，写实、二次元、国风等大类画风由它决定。选型的第一问是：我要的画风属于哪一类？按类筛选后，再看三个信息位：模型的版本号与更新时间，新版本通常修了旧问题；触发词说明，作者标注的推荐写法；示例图，示例图的质感就是你大概率能得到的质感。LiblibAI 站内每款模型都带详情页与社区作品，先用别人的出图判断合不合用，比自己试错快。同一个大类下不同 checkpoint 的手感差别不小，写实质感、皮肤处理、光影倾向各有偏好，多试两三款再固定主力。固定主力后不要再频繁换，风格一致性来自稳定使用，换来换去出的图拼不成系列。
LoRA 补什么课
LoRA 是挂在 checkpoint 上的小型补充模型，专门强化某一类东西：某个特定画风、某类角色形象、某种服装或材质。判断要不要用 LoRA 只需要一问：目标画面里的关键元素，当前 checkpoint 是不是画不好？画得好就不加，加 LoRA 反而互相干扰；画不好再去找对口 LoRA。每个 LoRA 有推荐触发词与推荐权重，详情页会写，按作者给的起点用，跑偏再调。LoRA 的权重数字看起来小，实际影响大，0.1 的升降都可能改变出图效果，调权重要小步走，别一次调一半。
两者的组合顺序
标准流程是三步：先选 checkpoint 出一轮基础图，确认基调没问题；有缺口再加载对应 LoRA，写上触发词，从推荐权重开始试；效果过头就降权重，不够就升，每次只动一个变量。一个 LoRA 解决一个问题，堆三四个以上容易互相稀释，效果反而向平均回落。组合方案跑通后把模型名、触发词、权重记下来，形成自己的配方，下次直接复用。复用配方时注意版本，checkpoint 或 LoRA 更新后，旧配方可能需要重新校一轮权重，详情页的更新记录值得扫一眼。社区里同配方的使用者反馈也是更新线索，看到集中反馈出图变化，就该轮到重新校准权重的时候了。
出图前的核对清单
生成前快速过一遍：checkpoint 类型与目标画风一致；LoRA 数量不超过两三个且各有明确用途；触发词已写入提示词；权重从推荐值起步；出图尺寸与模型推荐匹配，部分模型对特定尺寸敏感。清单过完再点生成，能把最常见的浪费（选错模型、漏触发词）挡在出图之前。模型与功能更新频繁，界面上具体名称与参数范围以官方最新版本为准。
checkpoint 和 LoRA 的显存需求差多少？
- 多个 LoRA 能同时挂吗？：可以，但建议不超过两三个，且用途不重叠；同类 LoRA 叠加会出现特征互相稀释，出图效果向中庸回落。
- 同一个 LoRA 换 checkpoint 还有用吗？：不一定。LoRA 的效果建立在配套 checkpoint 的基础上，换了基底可能失效甚至出脏图，详情页标注的适配范围要留意。
- 怎么判断一个模型的社区口碑？：看详情页下方真实用户的返图与评论，返图质量分布比个别精选示例更能反映模型的真实水平。
