Flux.1 Klein模型发布后，社区迅速跟进，其本地训练方案已趋于成熟。通过AI2Kit等工具，用户无需高端硬件也能轻松体验训练过程，这让个性化模型生变得前所未有的便捷。本文将分享4B与9B模型的实测情况，涵盖显存占用、训练效果与参数建议。
智能速览
AI2Kit已支持Flux.1 Klein模型的本地LoRA训练。
训练4B模型仅需16G显存，实际占用约13G。
通过修改环境变量可更改模型下载路径，避免占用C盘。
建议将训练步数提升至3500-5000步以获得更好效果。
精华内容
对于想尝试Flux.1 Klein本地训练的用户，AI2Kit提供了一个便捷的入口。实测体验显示，无论是4B还是9B模型，整个训练过程都相当流畅，速度与效果都颇为令人惊喜。
训练准备
开始训练前，需将AI2Kit更新至最新版本以支持Flux.1 Klein。初次使用时，它会自动下载全量模型，默认路径为C盘。为避免占用系统盘空间，建议手动设置环境变量。在Windows系统环境中，用户变量里新增一项“HF_HOME”，将其值指向自定义的盘符路径，如“D:/Models/Hugging Face”，即可实现模型的统一管理。
显存对比
显存需求是本地训练的关键。实测显示，训练4B模型的峰值显存占用约13G多，16G显存的显卡完全可以胜任，训练速度约为每秒一步。而训练9B模型则需要约23G的显存，因此至少需要RTX 4090这类高端显卡才能顺利进行。两者的训练速度差异不大，9B模型同样能维持在一秒多一步的效率。
效果差异
从生成质量来看，9B模型全面优于4B模型。无论是画面整体的质感，还是角色特征的相似度，9B模型都表现出更高的拟合度。这与其更大的参数量和更强的基础能力有关。实测中使用3000步训练的4B模型，效果尚未完全饱和，而9B模型在相同步数下已能产出高质量图像，提升训练步数后效果会更好。
步数建议
训练步数直接影响最终效果。初步测试中，3000步对于4B模型而言略显不足，未能达到最佳拟合。考虑到训练速度较快，建议将训练步数范围设定在3500至5000步之间，以确保模型能充分学习数据集特征。此外，训练时可采用多分辨率方案（如512x768与1024），有助于提升模型的泛化能力。
Flux.1 Klein的本地训练为个人创作者打开了新的可能性。凭借较低的训练门槛和快速出图效果，它让更多人能轻松定制专属AI模型。随着工具链的不断完善，期待社区中能涌现更多由它创作的优秀作品，探索更丰富的应用场景。
关键评论
有用户关心8G显存是否也能参与训练。
也有反馈称Klein模型在动爆CG风格转换上效果出众。
