AI Toolkit — открытый инструмент Ostris для обучения LoRA на современных моделях: FLUX, Wan, Qwen-Image и SDXL. Веб-интерфейс ставит задания в очередь и во время обучения сам генерирует образцы по вашим промптам, поэтому результат видно до конца прогона. На gpu.nz он запускается из шаблона: арендуете карту, открываете интерфейс и создаёте задание.
Коротко
AI Toolkit работает на видеокартах от 24 ГБ. Самая доступная подходящая сейчас — Tesla V100 32 ГБ от 23 ₽ в час, оплата по минутам.
Обновлено 13 октября 2026 г.
Минимум — 24 ГБ видеопамяти: на этом объёме LoRA для FLUX обучается с квантованными весами. RTX 4090 24 ГБ удобна для FLUX и SDXL, а RTX 5090 32 ГБ даёт дополнительный запас. Для Wan и Qwen-Image, которые тяжелее, берите 48 ГБ, если на 24 ГБ обучение упирается в выгрузку памяти: подойдут L40S или RTX A6000. Образцы тоже занимают память, поэтому не экономьте на ней.
Цены и наличие берутся из живого каталога и обновляются автоматически.
Для персонажа берите 10–30 фотографий, для стиля — 40–100 картинок. У каждой картинки должен быть текстовый файл с подписью того же имени. Вставьте в подпись триггер-слово, которого нет в словаре, например ohwx woman. Как выбрать карту под задачу, см. гайд о GPU для LoRA.
dataset/
01.jpg
01.txt # ohwx woman, close-up portrait, golden hour
02.jpg
02.txt # ohwx woman, full body, city street at nightЗадание определяет число шагов, частоту образцов и сохранений. Для персонажа на FLUX обычно берут 1 500–3 000 шагов, для стиля — больше. Образцы лучше включить с 3–4 промптами, которые проверяют триггер-слово в разных позах, и генерировать их каждые 250 шагов.
| Задача | Фото | Шаги (ориентир) |
|---|---|---|
| Персонаж или лицо, FLUX | 10–30 | 1 500–3 000 |
| Стиль, FLUX или SDXL | 40–100 | 2 000–4 000 |
Одно обучение FLUX на 2 000 шагов на RTX 4090 обычно занимает от часа до двух. По первым шагам видна скорость обучения: умножьте время одного шага на общее число шагов, и получится ориентир. Как устроен FLUX и что ему нужно, см. в гайде FLUX на арендованном GPU.
По умолчанию LoRA сохраняется в папку output: внутри подпапка с именем задания, а в ней файл .safetensors. Промежуточные версии идут по настройке сохранений, образцы — в отдельную подпапку. Скачать файлы можно через JupyterLab (правый клик и Download) или командой:
scp -P <порт> <пользователь>@<адрес>:<путь к output>/<имя задания>/*.safetensors ./