一条命令微调扩散模型，图像视频音频通吃
SimpleTuner 是一个面向扩散模型的通用微调工具包，支持图像、视频和音频扩散模型的定制训练。它解决了扩散模型在特定数据集上微调时配置复杂、流程繁琐的问题，提供了一套简洁易用的命令行接口和配置系统。核心能力包括：支持 Stable Diffusion、Flux 等主流模型架构，提供 LoRA、DreamBooth 等多种微调策略，内置数据预处理、验证和采样功能，并针对多 GPU 训练进行了优化。用户可以通过简单的配置文件启动训练，无需深入理解底层实现，从而快速获得定制化的生成模型。
1安装 SimpleTuner
README 说明大多数用户可通过 pip 安装。基础安装为仅 CPU 的 PyTorch 版本，做 GPU 训练还需按硬件要求另行配置环境。
pip install simpletuner2确认硬件要求
开始训练前先阅读 README 的 Hardware Requirements 章节，确认显存、算力与所选模型（如 Flux、SDXL）匹配。
3阅读模型快速指南
按要微调的模型选对应 Quickstart 文档，如 Flux.1、Flux.2、SDXL、SD3、Qwen Image、Wan Video，按其步骤准备数据与训练。
4了解数据上报开关
默认不向第三方发送任何数据，只有手动启用 report_to、push_to_hub 或 webhook 时才会对外上报。
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
report_to | 否 | 可选的实验跟踪上报开关，README 说明需手动启用，默认不对外发送数据 | none |
push_to_hub | 否 | 可选的上传到模型仓库开关，需手动启用，默认关闭 | false |
README 未提供启动验证命令，请以对应模型 Quickstart 指南的训练日志输出为准。
Q：pip 装完就能直接训练吗？
A：不一定。README 的基础安装是仅 CPU 的 PyTorch 版本，GPU 训练需按 Hardware Requirements 章节另行配置环境，再参考对应模型 Quickstart。
Q：训练数据会被上传到第三方吗？
A：不会。README 明确说明：除手动启用的 report_to、push_to_hub 或 webhook 外，不会向任何第三方发送数据。
Q：SimpleTuner 支持哪些模型？
A：支持 Flux.1/Flux.2、SDXL、SD3、Sana、PixArt Sigma、Qwen Image、Chroma、LTX Video、Wan Video 等，完整列表见 README 的 Quickstart Guides。
Q：遇到问题去哪里求助？
A：README 提供 Discord 社区（Terminus Research Group），也可查阅 README 的 Troubleshooting 章节。
diffusers、kohya-ss/sd-scripts、SimpleTuner
SimpleTuner 是模型训练领域的开源项目，由 bghira 开发，2023 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（2,926）位列前 30%，在模型训练分类的 522 个项目里位列前 15%。
近 42 天，它的 GitHub 星标从 2,895 增加到 2,926，净增 31。
项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。AGPL-3.0许可，可免费使用和自行部署，无在线服务或付费版本。
它主要面向的使用场景是：基于特定风格或主题的图像生成模型定制。同类可对比的替代方案包括 diffusers、kohya-ss/sd-scripts、SimpleTuner。
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···