LibLibAI模型标签标注指南：新手必学的分类与搜索技巧
模型标签的准确性直接决定了LiblibAI平台对模型功能、适用场景与风格特征的识别精度，进而影响生成效果的稳定性与可控性。当自定义模型输出效果时好时坏、风格飘忽不定时，问题根源往往在于标签标注的偏差。以下精准标注与分类的操作方法，将帮助您系统性地解决此问题。
一、理解标签结构与核心字段
LiblibAI的模型标签采用三层逻辑结构：“主类别+子属性+触发标识”。该结构是平台进行模型分类并匹配相应推理流程的核心依据。
主类别定义模型的基础能力类型，例如LoRA、Checkpoint或ControlNet。子属性描述其具体风格或应用方向，如“写实人像”或“赛博朋克建筑”。触发标识则是用户在Prompt中必须输入以激活模型的关键词。三者若标注错误，系统可能错误识别模型类型——例如将LoRA误判为Checkpoint，导致关键的权重加载环节被跳过，生成效果自然无法保证。
操作流程如下：登录LiblibAI，进入“我的模型”页面，找到目标模型并点击“编辑信息”。在弹出窗口的“标签栏”中，务必删除平台自动生成的、过于泛化的词汇（如“通用”、“测试”），仅保留最核心的三项：一个主类别词、不超过两个子属性词，以及一个唯一的触发标识。
二、LoRA模型专用标注法
为LoRA模型标注标签时，必须明确绑定触发词及其作用范围。若标签未清晰声明“作用对象”（如作用于面部、手部或纹理）和“调节方向”（如增强、柔化或削弱），系统将默认进行全图范围的无差别微调，极易导致五官畸变、边缘模糊等细节问题。
正确的标注格式应为：“LoRA, face_enhance, my_face_fix_v3”。其中，“LoRA”为主类别，“face_enhance”为子属性（表明用于面部增强），“my_face_fix_v3”是自定义触发标识。
关键技巧：避免使用“优化”、“改善”等模糊动词。直接采用平台预设的精确术语，如enhance（增强）、soften（柔化）、reduce（削弱）、match（匹配）。若模型同时影响多个部位（如兼顾面部优化与手部修正），标签应合并为“LoRA, face_enhance_hand_reduce, my_dual_v1”，将多个效果整合至一个子属性内，而非拆分为独立标签。
三、Checkpoint模型分类标注规范
Checkpoint模型的标签直接影响平台对其底模兼容性的判断。系统依据标签中的“架构版本”（如SD1.5、SDXL、F.1）和“训练域”（如二次元、写实、人像），自动筛选适配的VAE与采样器。任一关键字段缺失都可能导致VAE错配，引发色彩溢出或细节丢失。
标注时必须遵循以下精确规范：
1. 主类别需精确至具体架构，例如：“SDXL”、“F.1”、“SD1.5_anime”。避免使用“SDXL模型”或“动漫模型”等非规范名称。
2. 子属性应明确标注主导训练数据来源，优先从平台预设词库选择，如ACG（二次元）、realistic（写实）、portrait（人像）、landscape（风景）、product（产品）。
3. 触发标识建议包含版本号与领域缩写，例如：“sdxl_acg_v2”、“f1_portrait_v1”。避免使用纯数字（如“v123”）或无意义的随机字符串（如“abc123”）。
四、ControlNet模型标签强制规则
ControlNet模型的标签决定了其能否与正确的控制类型成功绑定。系统仅识别标签中明确列出的特定控制类型英文关键词（如depth、canny、pose、mlsd）。使用“线稿”、“姿势”等中文泛称将导致模型无法被ControlNet模块调用。
标注必须遵守以下强制规则：
1. 主类别固定为 “ControlNet”，不可使用“控制网”、“CN模型”等其他名称。
2. 子属性有且仅有一个，必须是平台支持的Control Type英文原词，例如：depth、canny、pose、mlsd、normal、scribble、segment、tile。
3. 触发标识最好体现控制强度层级，例如 “cn_depth_hard” 或 “cn_pose_soft”。其中“hard”或“soft”可对应不同的重绘幅度区间（如0.7–0.9为“硬控制”，0.3–0.5为“软控制”），为用户提供直观提示。
五、批量标注与校验技巧
面对大量已上传模型，逐一检查标签效率低下。平台内置的标签校验工具可快速定位问题，自动扫描标签结构完整性、术语合规性及触发词唯一性，并以高亮标示三类常见错误：违反主类别强制规则、子属性超出预设词库、触发标识重复或为空。
使用方式：在“我的模型”页面顶部点击“批量管理”，勾选待查模型后点击“校验标签”。系统将快速返回错误列表。随后，针对标红项目逐一点击“编辑”，依据前述四类规则重新填写标签，保存后重新校验，直至全部通过。
精准的标签如同模型的规范“身份证”。系统唯有凭借准确信息，才能将模型分配至正确的“工作岗位”，确保其效果稳定发挥。投入时间理清这些标注规则，将使后续的生成体验更为稳定与顺畅。