Qwen-Image-2.1 LoRA: Adaptor Apa Saja yang Ada, Pelatihan Apa yang Dibutuhkan, dan Apa Isi Lisensinya Sebenarnya

Ada ekosistem nyata adaptor low-rank adaptation (LoRA) untuk Qwen-Image-2.1, model gambar terpadu generate-and-edit milik vendor, dan hampir tidak ada dokumentasi tentangnya dari pihak vendor. Halaman ini adalah jawaban tetap untuk empat pertanyaan yang diketik pembaca bersama-sama: apakah ada yang benar-benar membuat adaptor untuk model ini, di mana mereka berada, apa yang diperlukan untuk melatihnya, dan apa yang diizinkan oleh lisensi untuk Anda lakukan dengan hasilnya. Ini bukan artikel peluncuran. Qwen-Image-2.1 diopen-sourcekan pada 20 September 2026 dan saudara terakselerasinya Qwen-Image-2.1-Turbo menyusul pada 9 Oktober 2026; kedua tanggal di sini hanya untuk mengidentifikasi checkpoint mana yang dibahas halaman ini, bukan untuk melaporkan apa pun.

Versi singkatnya: jumlah adaptor berada di kisaran ratusan bawah, sebagian besar merupakan karya karakter dan gaya yang dipublikasikan oleh praktisi perorangan, pelatihan satu adaptor didokumentasikan dari awal hingga akhir oleh setidaknya tiga toolchain pihak ketiga dengan pengukuran memori yang dipublikasikan, dan lisensinya — yang bukan Apache untuk generasi model gambar ini — menegaskan kembali pembatasan nonkomersial atas karya turunan yang banyak adaptornya sendiri gagal teruskan.

Dua kalimat tentang apa itu LoRA, lalu modelnya

LoRA adalah sekumpulan kecil delta bobot berpangkat rendah yang ditambahkan ke checkpoint dasar yang dibekukan saat pemuatan, ditujukan ke modul tertentu berdasarkan namanya; ini bukan model, melainkan patch yang mengubah perilaku model yang sudah ada. Karena delta-delta tersebut dilatih terhadap bobot tertentu, sebuah adapter terikat pada checkpoint tempat ia dilatih dengan cara yang tidak dapat diperbaiki oleh flag konfigurasi.

Ikatan itulah alasan utama halaman ini membahas Qwen-Image-2.1 secara khusus, bukan tentang LoRAs. Checkpoint ini adalah transformer difusi aliran tunggal 32 lapis dengan parameter 7B pada komponen pembangkitan visualnya, encoder teks Qwen3-VL 8B, dan VAE RGBA 64 kanal yang bekerja pada kompresi spasial 16× — semua angka berasal dari kartu model dan repositori vendor sendiri, yang dibaca pada 13 Oktober 2026. Ia menetapkan jadwal sampling-nya pada waktu pemanggilan, dengan 40 langkah inferensi dalam contoh-contoh di kartu itu sendiri. Tidak ada satu pun detail tersebut yang bersifat sampingan bagi adapter: arsitektur menentukan apa yang dapat dituju oleh sebuah file, dan jadwal menentukan apa yang diminta untuk dilakukan oleh adapter yang dilatih dengan parameterisasi berbeda.

Apa yang ada untuk model ini, dan bagaimana menghitungnya secara jujur

Jumlah di bawah ini berasal dari Hugging Face API dan Civitai API, keduanya dibaca pada 13 Oktober 2026, dan kueri tersebut cukup penting untuk disebutkan, karena pertanyaan yang sama memberikan jawaban yang sangat berbeda tergantung bagaimana Anda menanyakannya.

• Repositori di Hugging Face yang mendeklarasikan Qwen-Image-2.1 sebagai model dasar mereka: 323.

• Dari jumlah tersebut, repositori yang juga memiliki tag lora: 115.

• Adaptor di Civitai yang cocok dengan filter model dasar "Qwen 2.1" dengan jenis yang diatur ke LoRA: 106. Penghitungan sebelumnya pada hari yang sama menghasilkan 105; filter ini bersifat langsung dan angkanya berubah, jadi anggap ini sebagai pembacaan, bukan total.

Kedua angka itu adalah batas bawah, bukan sensus. Tag Hugging Face diterapkan oleh pengunggah, jadi adapter yang penulisnya tidak memberinya tag tidak terlihat oleh kueri tersebut; jumlah model dasarnya lebih besar daripada jumlah LoRA justru karena ia juga menangkap kuantisasi, merge, dan repack. Di Civitai, kesenjangan antarmetode sangat mencolok: pencarian teks biasa untuk "qwen image 2.1" mengembalikan 994 model unik, dan sebagian besar sama sekali bukan adapter dari checkpoint ini — kumpulan hasil yang sama didominasi oleh postingan workflow dan oleh berkas yang model dasarnya dinyatakan sebagai generasi gambar yang sepenuhnya berbeda. Filter berdasarkan model dasarnya, bukan kotak pencarian.

Kedua situs adalah tempat ekosistem ini hidup, dan hanya itu klaim yang dibuat tentang keduanya: Hugging Face adalah tempat catatan pelatihan dan dataset dipublikasikan, Civitai adalah tempat adapter yang ditujukan untuk konsumen dan alur kerja ComfyUI di sekitarnya berkumpul, dan keduanya bukanlah sinyal kualitas. File di salah satu situs tersebut bisa merupakan karya latih orisinal atau salinan milik orang lain.

Membedakan adaptor asli dari yang dikemas ulang

Ini dapat diperiksa, dan pemeriksaannya memakan waktu sekitar satu menit. Ambil dua repositori yang terlihat seperti adapter yang sama.

akhaliq/Qwen-Image-2.1-Next-Scene-LoRA dibuat pada 7 Oktober 2026. TechnoBaptist/Qwen-Image-2.1-Next-Scene-LoRA dibuat pada 9 Oktober 2026. Berkas README keduanya identik byte per byte — panjangnya sama, MD5-nya sama — dan daftar berkas kedua repositori itu cocok pada seluruh 111 entri. Yang belakangan merupakan salinan dari yang lebih awal, termasuk deskripsinya.

Kasus yang kurang jelas adalah salinan sebagian. developerjeremylive/Qwen-Image-2.1-Multiple-Angles-LoRA-etheroi berisi 163 file. Setiap satu dari 160 yang juga ada di akhaliq/Qwen-Image-2.1-Multiple-Angles-LoRA identik dalam ukuran, dan repositori tersebut adalah subset ketat dari 344 file milik repositori itu. Yang ditinggalkan adalah seluruh benchmarks/ direktori, grid sampel per-checkpoint di bawah samples/, dan beberapa varian checkpoint. Bobot adapter ada. Bukti bahwa adapter melakukan apa yang dikatakannya tidak ada.

Jadi, uji praktisnya bukanlah "apakah kartunya bagus". Yang menjadi soal adalah apakah kartu itu memuat hal-hal yang hanya bisa timbul dari telah menjalani prosesnya:

• Dari mana data pelatihan berasal, beserta tautannya — angle adapter menyebutkan sumber Objaverse dan lisensinya, dan menerbitkan dataset pasangan turunannya secara terpisah.

• Trainer dan hiperparameter, pada level rank, alpha, laju pembelajaran, jumlah langkah, dan presisi dasar — cukup bagi orang lain untuk mencoba reproduksi.

• Checkpoint perantara, bukan hanya file akhir, sehingga kurva pelatihan dapat diperiksa alih-alih hanya diklaim.

• Evaluasi yang bukan ajang pamer penulis, dan bagian "ruang lingkup dan batasan" yang menyebutkan hal-hal yang dilakukan adapter dengan buruk.

Kartu dengan kata pemicu, rentang kekuatan, dan sekumpulan sampel yang menarik, tanpa apa pun lagi, bukanlah bukti apa pun. Itu juga bukan bukti repack — banyak adapter sekali pakai yang jujur didokumentasikan sesedikit itu. Itu hanya berarti Anda tidak punya dasar untuk dijadikan pegangan, yang untuk file yang akan Anda masukkan ke pipeline produksi adalah kesimpulan yang berguna.

Pelatihan apa yang sebenarnya dijalani seseorang

Kerangka yang jujur dulu, karena kesenjangannya di sini lebar: menerbitkan adapter itu umum, dan melatihnya adalah skala usaha yang berbeda. Ada tiga biaya dan semuanya nyata.

Checkpoint dasar. Tiga komponen Qwen-Image-2.1 mencapai sekitar 33 GB secara keseluruhan pada transformer, text encoder, dan VAE — itu adalah jumlah dari ukuran file yang dipublikasikan repositori itu sendiri, yang dibaca pada 13 Oktober 2026. Itulah hal yang sedang diadaptasi, dan ukurannya tidak menyusut hanya karena Anda hanya melatih patch kecil di atasnya.

Datanya. Sebuah LoRA tidak mempelajari suatu konsep dari segelintir gambar seperti halnya sebuah prompt. Dua adapter yang paling terdokumentasi dengan baik di ekosistem ini menerbitkan dataset mereka sebagai artefak kelas satu: adapter kontrol kamera dilatih pada 5.028 pasangan berlabel sudut pada versi pertamanya dan 13.328 pada versi keduanya; adapter kelanjutan adegan dilatih pada 1.144 pasangan progresi dari bingkai ke bingkai, dengan takarir yang ditulis oleh model visi untuk setiap pasangan. Keduanya adalah dataset yang dirakit, bukan kumpulan foto — pasangan-pasangan itu harus dibuat, diberi label, dan dilisensikan sebelum pelatihan dimulai, dan dalam satu kasus citra sumbernya harus disaring hingga hanya menyisakan objek berlisensi permisif sebelum bisa digunakan sama sekali.

Komputasi. Ini bagian dengan pengukuran yang dipublikasikan, bukan sekadar kesan. Quickstart SimpleTuner sendiri untuk model ini memberikan preset VRAM dan, secara terpisah, uji cepat memori di baliknya: resep 512px dengan gradient checkpointing di setiap langkah lolos batas alokasi 24 GiB sambil mencapai puncak 20,06 GiB yang dialokasikan dan 21,10 GiB yang direservasi oleh PyTorch. Resep multi-resolusi pada 32,49 / 41,21 GiB lolos di L40S tetapi kehabisan memori di bawah batas 32 GiB. Para penulis secara eksplisit menyatakan bahwa itu adalah pemeriksaan memori pada subset terbatas, bukan pengukuran throughput atau konvergensi, dan bahwa anggaran yang lebih rendah disimulasikan pada L40S alih-alih dijalankan pada kartu nominalnya. Jika dibaca sebagaimana dipublikasikan, hal itu menyatakan sesuatu yang sederhana: batas minimum untuk model ini adalah kartu 24 GB yang hanya berjalan pada 512px, dan 48 GB atau lebih adalah saat resep multi-resolusi yang sebenarnya direkomendasikan oleh framework menjadi tersedia.

Waktu adalah biaya yang lebih senyap, dan hampir tidak ada yang mempublikasikannya. Yang tersedia untuk publik adalah jumlah langkah — 2.000 pembaruan pada preset 24 GB, 4.000 pada preset yang lebih besar, dengan validasi dan checkpointing setiap 250 — serta jumlah checkpoint dalam kisaran beberapa ribu dari catatan pelatihan adaptor itu sendiri. Tabel preset SimpleTuner memberikan anggaran pembaruan untuk setiap tingkatan VRAM dan menyatakan secara gamblang bahwa itu adalah titik awal yang hanya boleh diperluas setelah memeriksa gambar checkpoint. Belum ada yang mempublikasikan jam waktu nyata untuk proses yang dapat direproduksi, jadi angka apa pun yang Anda lihat dikutip untuk berapa lama ini berlangsung adalah kartu seseorang dan dataset seseorang, bukan spesifikasi.

Sebaliknya, perkakasnya sungguh bagus, dan inilah bagian yang berubah cukup baru sehingga layak diberi tanggal. Vendor tersebut menunjuk ke DiffSynth-Studio milik ModelScope, yang repositorinya menyertakan skrip pelatihan LoRA yang berfungsi untuk checkpoint ini dan, secara terpisah, untuk varian Turbo — satu accelerate launch dengan rank 32, AdamW pada 1e-4, lima epoch, anggaran piksel maksimum 1.048.576 dan gradient checkpointing. Quickstart SimpleTuner adalah resep publik paling terperinci, dan ia luar biasa jujur tentang keterbatasannya sendiri. ai-toolkit mencantumkan Qwen-Image-2.1 dan Qwen-Image-2.1-Turbo di antara arsitektur yang didukungnya, dan dua adaptor yang dijelaskan di atas mencatat pernah dilatih dengannya. Dan pada 12 Oktober 2026 musubi-tuner menggabungkan pull request yang menambahkan dukungan Qwen-Image 2.1 yang mencakup pelatihan LoRA, fine-tuning penuh, pratinjau pelatihan dan konversi antara Diffusers dan format LoRA miliknya sendiri; permintaan fitur yang memintanya, yang dibuka pada 24 September, masih terbuka. Penggabungan itu terjadi tiga hari sebelum tanggal di halaman ini dan ini adalah perubahan perkakas, bukan rilis model — artinya trainer keempat menjadi tersedia, bukan bahwa ada yang berubah pada modelnya.

Ada satu batasan lagi yang menjebak orang yang telah melatih LoRA untuk arsitektur lain. Keluaran model ini tidak memiliki sakelar alpha. VAE beroperasi dalam ruang piksel RGBA empat kanal dan kanal keempat didekode sebagai alpha, jadi transparansi dihasilkan oleh prompt dan tidak oleh hal lain — dokumentasi vendor sendiri menyatakan tidak ada kontrol terkait alpha di mana pun dalam pipeline. Adapter yang dilatih pada citra opak mengubah distribusi yang diarahkan oleh prompt; ia tidak memiliki kontrol transparansi terpisah yang bisa dijadikan cadangan. Jika pipeline Anda bergantung pada cutout, itu adalah properti dari model dasar yang Anda pinjam, dan layak diuji sebelum Anda mengalokasikan proses pelatihan untuknya.

Apa yang dikatakan lisensi tentang adaptor yang Anda buat

Baca filenya, karena jawabannya bukan seperti yang akan disiratkan oleh rilis yang terdengar permisif. Qwen-Image-2.1 dirilis di bawah Qwen Research License Agreement tertanggal 20 September 2026 — dokumen berukuran 7.831 byte yang dibawa tanpa perubahan ke repositori Turbo, yang salinannya identik byte per byte. Ini bukan Apache 2.0, sedangkan lini Qwen-Image sebelumnya adalah Apache 2.0.

Klausul yang paling menentukan sebagian besar hal ini adalah pemberian lisensinya. Bagian 2(a) memberi Anda lisensi untuk "menggunakan, memperbanyak, mendistribusikan, menyalin, membuat karya turunan dari, dan melakukan modifikasi terhadap" materi tersebut, lalu membatasi semuanya: "HANYA UNTUK TUJUAN NON-KOMERSIAL". Bagian 1(i) mendefinisikan non-komersial sebagai "hanya untuk tujuan penelitian atau evaluasi", yang lebih sempit daripada "nirlaba" — definisi ini tidak memberikan pengecualian untuk penggunaan internal bisnis. Bagian 2(b) menyatakan bahwa penggunaan komersial memerlukan lisensi terpisah, yang diminta pada alamat yang diberikan dalam perjanjian. Adapter yang dilatih pada checkpoint ini adalah karya turunan darinya, sehingga pembatasannya ikut melekat pada adapter tersebut; adapter itu tidak menjadi dapat digunakan secara komersial hanya karena Anda melatihnya sendiri.

Dua hal yang perlu diperhatikan, karena keduanya bertentangan dengan asumsi umum.

Pertama, lisensi ini tidak diam tentang pelatihan — lisensi ini membahasnya secara langsung. Bagian 4(b) menyatakan bahwa jika Anda menggunakan materi atau keluarannya untuk "membuat, melatih, melakukan fine-tuning, atau meningkatkan model AI yang didistribusikan atau disediakan", Anda harus menampilkan secara menonjol "Built with Qwen" atau "Improved using Qwen" dalam dokumentasi produk terkait. Jadi fine-tuning disebutkan secara eksplisit, dan hal itu disertai kewajiban pelabelan, bukan pertanyaan tentang izin.

Kedua, redistribusi secara tegas diizinkan, dengan syarat. Pasal 3 memungkinkan Anda mendistribusikan karya turunan, dalam bentuk sumber atau objek, asalkan Anda memberikan salinan perjanjian kepada penerima, menandai berkas yang dimodifikasi, dan mempertahankan berkas pemberitahuan yang berbunyi "Qwen is licensed under the Qwen RESEARCH LICENSE AGREEMENT, Copyright (c) 2026 Hangzhou Tongyi Laboratory Technology Co., Ltd. All Rights Reserved." Pasal 4(c) melarang penggunaan "Qwen" sebagai nama utama atau pengenal karya turunan Anda — penggunaan deskriptif secara tegas diperbolehkan. Pasal 5(a) menegaskan bahwa Anda memiliki modifikasi Anda, dengan syarat kepatuhan. Sengketa diatur oleh hukum Tiongkok, di pengadilan Hangzhou.

Itu adalah kewajiban yang koheren dan mudah dibaca. Temuan yang tidak nyaman adalah betapa seringnya ekosistem ini tidak memenuhinya. Dari adaptor yang dijadikan sampel saat meneliti halaman ini, satu — adaptor distilasi langkah untuk checkpoint dasar — menyertakan teks lisensi dan file pemberitahuan yang memuat string atribusi yang diwajibkan secara verbatim, plus bagian lisensi di kartunya yang mengulang kembali batas non-komersial dan kontak komersial. Beberapa lainnya, termasuk dua adaptor kontrol kamera dan kelanjutan adegan yang paling banyak diunduh, mendeklarasikan apache-2.0 di metadata mereka, tidak menyertakan file lisensi sama sekali, dan tidak memuat pemberitahuan atribusi. Kartu mereka tidak mengklaim hak Apache atas bobot dasar; kolom metadata itu memang sekadar salah, dan itulah kolom yang akan dibaca oleh alat hilir. Jika Anda yang membangun di atas sebuah adaptor, bacalah sendiri lisensi model dasarnya alih-alih memercayai tag di kartu adaptor — dan jika Anda yang menerbitkan, pengemasan yang benar tidaklah rumit, hanya saja harus dilakukan dengan sengaja.

Kompatibilitas, dan satu hal tentang "turbo"

Sebuah adapter dijalankan pada checkpoint yang disebutkan oleh catatan pelatihannya. Untuk sebagian besar adapter di sini, itu adalah Qwen-Image-2.1 sendiri, dan di sanalah adapter-adapter tersebut harus dimuat. Checkpoint Turbo adalah fine-tune dari arsitektur yang sama, bukan model yang berbeda — keduanya berbagi pohon modulnya, itulah sebabnya adapter yang dilatih pada base sangat mungkin dapat dimuat ke Turbo — tetapi checkpoint itu menyimpan jadwal sampling delapan langkahnya sendiri di dalam checkpoint dan menjalankan lintasan denoising yang bukan tempat adapter tersebut dilatih. Apakah kombinasi itu berperilaku benar tidak didokumentasikan oleh siapa pun, termasuk vendor.

Ada juga jebakan penamaan: frasa "turbo LoRA" mencakup dua artefak yang berlawanan, sebuah adaptor yang dilatih pada checkpoint Turbo dan adaptor distilasi yang mengubah checkpoint standar menjadi versi beberapa langkah. Itu adalah file yang berbeda dengan tugas yang berbeda. Pertanyaan base-checkpoint-versus-Turbo, dan dua makna adaptor turbo, memiliki halaman sendiri di stem ini — Qwen-Image-2.1-Turbo LoRA — dan halaman ini tidak akan menjadi salinan kedua dari halaman itu. Jika Anda memiliki Turbo dan adaptor yang menyebut checkpoint standar, baca halaman itu sebelum Anda memuat apa pun.

Dua pertanyaan yang berdekatan juga seharusnya dibahas di tempat lain. Checkpoint terkuantisasi — GGUF, FP8, INT4, dan lainnya — adalah subjek yang berbeda dengan halaman yang berbeda; LoRA yang digunakan di dalam pipeline terkuantisasi merupakan catatan kompatibilitas di halaman itu, bukan bagian di halaman ini. Dan model yang berjalan di alat tertentu kembali menjadi pertanyaan tersendiri, dengan daftar filenya sendiri dan mode kegagalannya sendiri.

Apa yang rusak, dan apa yang belum terselesaikan

Laporan-laporan kegagalan itu mengelompok menjadi tiga penyebab, dan setiap penyebab telah didokumentasikan oleh seseorang yang mengerjakan pekerjaan itu, bukan disimpulkan.

Adapter yang dimuat dan tidak melakukan apa pun. Kasus paling konkret adalah ketidakcocokan penamaan key: kartu milik salah satu adapter menyatakan bahwa file format trainer mentahnya menggunakan penamaan key MLP yang difusikan milik trainer tersebut, yang "dilewati secara diam-diam" oleh Diffusers — pemuatan berhasil, tidak ada error yang dimunculkan, dan adapter tidak memberikan efek apa pun. File tersebut berfungsi dengan loader-nya sendiri dan tidak dengan loader mainstream. Itu adalah perbedaan dalam tata letak file, bukan pada base checkpoint, dan hal itu layak disingkirkan sebelum Anda menyalahkan hal lain.

Adaptor yang merusak prompt yang tidak terkait. Ini masalah learning rate dan durasi, dan ada sebuah pengukuran: dalam satu ablasi yang dipublikasikan, sebuah run pada 3e-4 "sangat menurunkan keempat prompt validasi pada update 500", dengan subjek yang tidak terkait — seekor rubah, sebuah potret — berubah menjadi konsep yang dilatih. Studi pelatihan yang lebih lama dari penulis yang sama melaporkan jebakan sebaliknya: dalam satu run, sebuah prompt membaik hingga update 3.500, memburuk pada 4.000, lalu pulih hingga 10.000, jadi checkpoint perantara yang buruk bukanlah bukti bahwa run tersebut gagal. Temuan kedua itu secara eksplisit dilabeli sebagai progresi kualitatif dari satu run dan satu seed validasi, tanpa kurva error pengujian yang diukur dan pemulihannya digambarkan bergantung pada prompt. Anggap ini sebagai alasan untuk menyimpan setiap checkpoint 250 langkah, bukan sebagai resep.

Adaptor yang berperilaku baik, lalu efeknya menumpuk. Adaptor kelanjutan adegan mendokumentasikan degradasi terukur dalam penggunaan berantai: perantaian naif pada kekuatan 0,9 mengakumulasi grain film menjadi noise warna yang terlihat pada lompatan ketiga atau keempat, dan solusi terverifikasi penulis adalah kekuatan pada atau di bawah 0,7 ditambah blur Gaussian setengah piksel pada setiap input berantai. Kartu yang sama secara terbuka menyatakan bahwa transformasi lompatan akhir tetap konservatif, dan menyebutnya sebagai keterbatasan data pelatihan alih-alih masalah pengaturan.

Di balik semua itu terdapat serangkaian hal yang benar-benar belum ditetapkan, dan hal-hal itu layak dinyatakan alih-alih diisi. Tidak ada yang menerbitkan perbandingan kualitas antara Qwen-Image-2.1 dan Qwen-Image-2.1-Turbo, jadi tidak ada tolok ukur untuk menilai apa yang dilakukan adapter apa pun terhadap salah satu dari keduanya. Tidak ada yang menerbitkan apakah adapter checkpoint standar berperilaku benar pada Turbo. Pihak vendor mendokumentasikan pelatihan LoRA hanya sekali, di bagian ModelScope pada repositori proyek, yang mengarah ke kerangka kerja pihak ketiga; kartu model itu sendiri tidak memuat panduan adapter, dan text encoder checkpoint tersebut adalah komponen yang sudah mulai diterbitkan ulang secara terpisah oleh komunitas, yang merupakan pertanyaan kompatibilitasnya sendiri. Dan setiap hitungan di halaman ini adalah cuplikan dari ekosistem berusia dua hingga tiga minggu yang dibaca pada satu hari — filter Civitai dan kueri model dasar Hugging Face keduanya akan salah pada bulan depan, ke arah yang lebih banyak.

Jika Anda sedang memutuskan apa yang harus dilakukan hari ini, urutan yang bertahan melewati semua celah itu singkat. Mulailah dengan membaca catatan pelatihan adapter, bukan sampelnya — jika tidak ada catatan, anggap file itu tanpa atribusi dan uji dengan prompt Anda sendiri sebelum Anda membangun di atasnya. Cocokkan adapter dengan checkpoint yang disebut oleh catatannya, dan jika Anda menggunakan Turbo, baca halaman Turbo terlebih dahulu. Periksa format loader apa yang digunakan file tersebut sebelum menyimpulkan bahwa file itu rusak. Dan baca lisensi dasar sekali, karena lisensi itu mengatur adapter terlepas dari apa yang diklaim kartu adapter tentang dirinya sendiri. Lalu pilih trainer Anda, mulai dari preset VRAM terkecil yang didukung kartu Anda, dan nilai grid checkpoint, bukan file akhirnya.