Alibaba Cloud Model Studio:Fine-tune image generation models

Saat menggunakan Wan untuk image generation , jika Text-to-video/image-to-video prompt guide tidak dapat memenuhi kebutuhan kustomisasi Anda untuk gaya tertentu, karakter IP, atau efek visual , gunakan model fine-tuning .

Scope

• Supported region: Dokumen ini hanya berlaku untuk wilayah Singapura. Anda harus menggunakan API key dari wilayah ini.

• Supported fine-tuning method: Fine-tuning efisien SFT-LoRA.

• Supported models:

  • Image generation (text-to-image/image-to-image): wan2.7-image-pro, wan2.7-image.

How to fine-tune a model

Text-to-image

Fine-tuning objective: Train a character LoRA model.

Hasil yang diharapkan: Diberikan prompt teks, model menghasilkan gambar karakter tertentu dalam adegan yang dijelaskan oleh prompt tersebut.

Input prompt A person in a crowded morning rush hour subway car, holding onto the handrail, with blurred passengers in the background and tunnel lights visible through the windows, wearing an ordinary office worker white shirt and black trousers, standing facing the camera, half-body shot, realistic candid feel.

Output image (before fine-tuning - text-to-image) Tanpa gambar referensi, model tidak dapat menghasilkan karakter tertentu.

Output image (after fine-tuning) Setelah fine-tuning, model dapat mereproduksi karakter tertentu dari set pelatihan secara konsisten.

Image-to-image

Fine-tuning objective: Train a "post-apocalyptic red-black mech armor" LoRA model.

Hasil yang diharapkan: Diberikan gambar karakter, model menghasilkan versi bergaya "post-apocalyptic red-black mech armor" dari karakter tersebut tanpa memerlukan prompt teks.

Input image

Output image (before fine-tuning) Prompt teks saja tidak dapat menghasilkan efek "post-apocalyptic red-black mech armor" secara konsisten setiap kali.

Output image (after fine-tuning) Setelah fine-tuning, model dapat mereproduksi efek "post-apocalyptic red-black mech armor" dari set pelatihan tanpa memerlukan prompt teks.

Sebelum menjalankan kode berikut, Dapatkan kunci API dan Konfigurasikan kunci API sebagai variabel lingkungan.

Step 1: Upload the dataset

Unggah dataset lokal Anda (dalam format .zip) ke platform Alibaba Cloud Model Studio dan peroleh ID file (id).

Data pelatihan contoh: Untuk formatnya, lihat Training set.

• Image generation - text-to-image: wan-image-t2i-training-dataset.zip
• Image generation - image-to-image: wan-image-i2i-training-dataset.zip

Contoh ini menggunakan text-to-image dan hanya mengunggah set pelatihan. Sistem secara otomatis membagi sebagian dari set pelatihan sebagai set validasi.

curl --location --request POST 'https://dashscope-intl.aliyuncs.com/compatible-mode/v1/files' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--form 'file=@"./wan-image-t2i-training-dataset.zip"' \
--form 'purpose="fine-tune"'

Simpan id. Ini adalah pengidentifikasi unik untuk dataset yang diunggah.

{
    "id": "file-ft-3c67043a747c-xxxxxx",
    "object": "file",
    "bytes": 73310369,
    "filename": "wan-image-t2i-training-dataset.zip",
    "purpose": "fine-tune",
    "status": "processed",
    "created_at": 1782271893
}

Step 2: Fine-tune the model

Step 2.1: Create a fine-tuning job

Gunakan ID file dari Langkah 1 untuk memulai pekerjaan pelatihan.

Ganti <replace_with_training_dataset_file_id> dengan id yang diperoleh pada langkah sebelumnya. Untuk referensi parameter lengkap dan batasan format, lihat Hyperparameters.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "wan2.7-image-pro",
    "training_datasets": [
        {
            "data_source_type": "file_id",
            "file_id": "<replace_with_training_dataset_file_id>"
        }
    ],
    "training_type": "efficient_sft",
    "hyper_parameters": {
        "learning_rate": 3e-5,
        "max_steps": 800,
        "eval_steps": 200,
        "max_token_length": "1k",
        "gradient_clip": 0.5,
        "weight_decay": 0.02,
        "max_pixels": "1k",
        "val_img_size": "1k",
        "generation_type": "t2i",
        "lora_rank": 32,
        "save_total_limit": 10
    }
}'

Perhatikan tiga parameter kunci dalam bidang output:

• job_id: ID pekerjaan, digunakan untuk menanyakan progres.
• finetuned_output: Nama model hasil fine-tuning. Anda harus menggunakan nama ini untuk penerapan dan pemanggilan selanjutnya.
• status: Status pelatihan. Setelah membuat pekerjaan fine-tuning, status awalnya adalah PENDING, yang menunjukkan bahwa pelatihan belum dimulai.

{
    ...
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "status": "PENDING",
        "finetuned_output": "xxxx-ft-202511111122-xxxx",
        ...
    }
}

Step 2.2: Query the fine-tuning job status

Gunakan job_id yang diperoleh pada Langkah 2.1 untuk menanyakan progres pekerjaan. Poll API berikut hingga status berubah menjadi SUCCEEDED.

Ganti <replace_with_fine_tuning_job_id> dalam URL dengan nilai job_id.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Perhatikan dua parameter dalam bidang output:

• status: Ketika nilainya berubah menjadi SUCCEEDED, pelatihan model selesai dan Anda dapat melanjutkan ke penerapan model.
• usage: Jumlah total token yang dikonsumsi selama pelatihan model, digunakan untuk penagihan.

{
    ...
    "output": {
        "job_id": "ft-202511111122-xxxx",
        "status": "SUCCEEDED",
        "usage": 432000,
        ...
    }
}

Step 3: Deploy the fine-tuned model

Step 3.1: Deploy the model as an online service

Setelah status pekerjaan fine-tuning berubah menjadi SUCCEEDED, terapkan model sebagai layanan online.

Ganti <replace_with_model_name> dengan nilai finetuned_output dari output Create a fine-tuning job.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace_with_model_name>",
    "capacity": 1,
    "plan": "lora"
}'

Perhatikan dua parameter dalam bidang output:

• deployed_model: Nama model yang diterapkan, digunakan untuk menanyakan status penerapan dan memanggil model.
• status: Status penerapan model. Setelah menerapkan model hasil fine-tuning, status awalnya adalah PENDING, yang menunjukkan bahwa penerapan belum dimulai.

{
    ...
    "output": {
        "deployed_model": "wan2.7-image-pro-xxxxxxxxxxxx",
        "status": "PENDING",
        ...
    }
}

Step 3.2: Query the deployment status

Tanyakan status penerapan. Poll API berikut hingga status berubah menjadi RUNNING.

Ganti <replace_with_deployed_model> dengan nilai deployed_model dari output Langkah 3.1.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments/<replace_with_deployed_model>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

Perhatikan dua parameter dalam bidang output:

• status: Ketika status berubah menjadi RUNNING, model telah berhasil diterapkan dan Anda dapat mulai memanggilnya.
• deployed_model: Nama model yang diterapkan.

{
    ...
    "output": {
        "status": "RUNNING",
        "deployed_model": "wan2.7-image-pro-xxxxxxxxxxxx",
        ...
    }
}

Step 4: Invoke the model to generate images

Setelah model berhasil diterapkan (status penerapan status adalah RUNNING), Anda dapat mulai melakukan pemanggilan.

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/image-generation/generation' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "X-DashScope-Async: enable" \
--data '{
    "model": "<replace_with_deployed_model>",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {"text": "s86b5p, A person in a crowded morning rush hour subway car, holding onto the handrail, with blurred passengers in the background and tunnel lights visible through the windows, wearing an ordinary office worker white shirt and black trousers, standing facing the camera, half-body shot, realistic candid feel."}
                ]
            }
        ]
    },
    "parameters": {
        "size": "2K",
        "n": 1
    }
}'

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/image-generation/generation' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header "X-DashScope-Async: enable" \
--data '{
    "model": "<replace_with_deployed_model>",
    "input": {
        "messages": [
            {
                "role": "user",
                "content": [
                    {"image": "<replace_with_reference_image_URL>"},
                    {"text": "s86b5p, Change the background to an elevator with red lighting. Change the character clothing to red tight-fitting mech armor with black stripe decorations."}
                ]
            }
        ]
    },
    "parameters": {
        "size": "2K",
        "n": 1
    }
}'

{
    "request_id": "4909100c-7b5a-9f92-bfe5-xxxxxx",
    "output": {
        "task_id": "0385dc79-5ff8-4d82-bcb6-xxxxxx",
        "task_status": "PENDING"
    }
}

curl -X GET https://dashscope-intl.aliyuncs.com/api/v1/tasks/86ecf553-d340-4e21-xxxxxxxxx \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "3f2ebb4e-3d47-97b5-xxxx-xxxxxx",
    "output": {
        "task_id": "aeea547c-e24e-4acb-xxxx-xxxxxx",
        "task_status": "SUCCEEDED",
        "submit_time": "2026-05-29 17:35:23.826",
        "scheduled_time": "2026-05-29 17:35:23.865",
        "end_time": "2026-05-29 17:36:32.498",
        "finished": true,
        "choices": [
            {
                "finish_reason": "stop",
                "message": {
                    "role": "assistant",
                    "content": [
                        {
                            "image": "https://dashscope-7c2c.oss-accelerate.aliyuncs.com/xxx.png?Expires=xxxxxx"
                        }
                    ]
                }
            }
        ]
    },
    "usage": {
        "size": "2048*2048",
        "total_tokens": 770,
        "image_count": 1,
        "output_tokens": 691,
        "input_tokens": 79
    }
}

Build custom datasets

Selain menggunakan data contoh dalam dokumen ini untuk mencoba alur kerja fine-tuning, Anda juga dapat membuat dataset sendiri untuk fine-tuning.

Dataset harus berisi set pelatihan (wajib) dan set validasi (opsional; mendukung pemisahan otomatis dari set pelatihan). Kemas semua file dalam format .zip. Nama file hanya boleh berisi karakter Inggris, angka, garis bawah, atau tanda hubung.

Dataset format

Training set: Required

wan-image-t2i-training-dataset.zip
├── data.jsonl      # Harus bernama data.jsonl, maksimum 20MB
├── 1_0.png         # Gambar target pelatihan, resolusi maks 4096*4096, maks 20MB per gambar, mendukung PNG/JPG/JPEG/WEBP/BMP
├── 1_1.png         # Nama file hanya mendukung karakter Inggris, struktur datar (tanpa subdirektori)
└── 1_2.png

{
  "prompt": "s86b5p, A person in a quiet private library on a peaceful afternoon, with tall dark walnut bookshelves behind them, sunlight streaming through venetian blinds casting striped shadows, wearing a soft beige cable-knit sweater, standing facing the camera, half-body shot, the image has a delicate film grain texture.",
  "img_path": "./1_0.png"
}

wan-image-i2i-training-dataset.zip
├── data.jsonl      # Harus bernama data.jsonl, maksimum 20MB
├── 1_0.jpg         # Gambar target pelatihan (output)
├── 1_1.jpg         # Gambar referensi (input)
├── 6_0.jpg         # Gambar target pelatihan (output)
└── 6_1.jpg         # Gambar referensi (input)

{
  "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
  "input_img": "./1_1.jpg",
  "img_path": "./1_0.jpg"
}

wan-image-multi-i2i-training-dataset.zip
├── data.jsonl      # Harus bernama data.jsonl, maksimum 20MB
├── 1_0.jpg         # Gambar target pelatihan (output)
├── 1_ref.jpg       # Gambar referensi 1 (misalnya, foto karakter)
├── 1_pose.jpg      # Gambar referensi 2 (misalnya, gambar pose)
├── 6_0.jpg         # Gambar target pelatihan (output)
├── 6_ref.jpg       # Gambar referensi 1
└── 6_pose.jpg      # Gambar referensi 2

{
  "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Outside the windows, there is a post-apocalyptic scene with red mist. Change the character's clothing to red tight-fitting mech armor with black stripe decorations. Standing with both arms stretched horizontally to form a T-shape.",
  "input_imgs": ["./1_ref.jpg", "./1_pose.jpg"],
  "img_path": "./1_0.jpg"
}

Validation set: Optional

Set validasi mencakup file anotasi (data.jsonl) dan gambar referensi opsional (wajib untuk mode image-to-image). Gambar target tidak diperlukan. Pada setiap checkpoint evaluasi, pekerjaan pelatihan secara otomatis memanggil layanan model untuk menghasilkan gambar pratinjau menggunakan prompt (dan gambar referensi) dari set validasi.

• Set validasi:

  • Text-to-image: wan-image-t2i-valid-dataset.zip
  • Image-to-image: wan-image-i2i-valid-dataset.zip

• Struktur direktori paket zip:

wan-image-i2i-valid-dataset.zip
├── data.jsonl       # Harus bernama data.jsonl, maksimum 20MB
├── input_001.png    # Opsional, gambar referensi untuk mode image-to-image
└── input_002.png

• File anotasi (data.jsonl): Setiap baris merepresentasikan satu sampel validasi dan harus berupa objek JSON.

  Text-to-image

  {
      "prompt": "s86b5p, A person in a crowded morning rush hour subway car, holding onto the handrail, with blurred passengers in the background and tunnel lights visible through the windows, wearing an ordinary office worker white shirt and black trousers, standing facing the camera, half-body shot, realistic candid feel."
  }
  

  Image-to-image

  {
      "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
      "input_img": "./input_001.png"
  }
  

  Multi-image-to-image

  Set validasi multi-image-to-image menggunakan input_imgs (array) untuk meneruskan beberapa jalur gambar referensi, mendukung hingga 9 gambar.

  {
      "prompt": "s86b5p, Change the background to an elevator with red lighting, featuring large floor-to-ceiling windows. Outside the windows, there is a post-apocalyptic scene with red mist. Change the character's clothing to red tight-fitting mech armor with black stripe decorations. Standing with both arms stretched horizontally to form a T-shape.",
      "input_imgs": ["./input_001.png", "./input_002.png"]
  }
  

Data scale and limits

• Data volume: Kami merekomendasikan menyediakan minimal 25 gambar (50 atau lebih direkomendasikan untuk hasil yang lebih baik). Gunakan karakter atau gaya yang sama di berbagai adegan dan sudut pandang dengan deskripsi konten yang konsisten.

• Zip package: Saat mengunggah melalui API, ukuran total paket tidak boleh lebih dari 1 GB.

• Training image requirements:

  • Format gambar yang didukung: BMP, JPEG, PNG, dan WEBP.
  • Resolusi gambar tidak boleh lebih dari 4096×4096.
  • Ukuran file gambar individual tidak boleh lebih dari 20 MB.

Data collection and cleaning

1. Determine the fine-tuning scenario

Wan mendukung skenario fine-tuning berikut untuk image generation:

• IP character stylization: Latih model untuk mempelajari gaya menggambar karakter IP tertentu, seperti karakter anime atau gambar maskot.
• Fixed visual style: Tingkatkan kemampuan model untuk mereproduksi gaya seni tertentu, seperti ilustrasi datar, lukisan tinta, atau seni piksel.
• Specific scene generation: Replikasi pola komposisi atau templat adegan tertentu, seperti gambar tampilan produk atau tata letak poster.

2. Obtain raw materials

• Generasi AI dan seleksi: Gunakan model dasar Wan untuk menghasilkan gambar secara massal, lalu pilih secara manual sampel berkualitas tinggi yang paling sesuai dengan efek target. Ini adalah metode yang paling umum digunakan.
• Fotografi nyata: Jika tujuan Anda adalah mencapai adegan yang sangat realistis (seperti foto produk nyata atau fotografi potret), menggunakan rekaman hasil jepretan nyata adalah pilihan terbaik.
• Rendering perangkat lunak 3D: Untuk adegan yang memerlukan kontrol detail halus atau gaya rendering 3D, kami merekomendasikan menggunakan perangkat lunak 3D (seperti Blender atau C4D) untuk membuat materi sumber.

3. Clean the data

Image annotation: Writing prompts for images

Dalam file anotasi dataset (data.jsonl), setiap gambar memiliki prompt yang sesuai. Prompt tersebut menggambarkan konten gambar target. Kualitas prompt secara langsung menentukan apa yang dipelajari model.

Prompt writing formula

Evaluate models with validation sets

Specify the validation set

Pekerjaan fine-tuning harus mencakup set pelatihan, sedangkan set validasi opsional. Anda dapat memilih agar sistem secara otomatis membagi atau mengunggah secara manual set validasi. Metode spesifiknya sebagai berikut:

Metode 1: Tidak mengunggah set validasi (pembagian otomatis sistem)

Saat Video and image generation model fine-tuning API, jika tidak mengunggah set validasi secara terpisah (yaitu, parameter validation_file_ids tidak diberikan), sistem membagi set validasi dari set pelatihan berdasarkan split, yang default-nya 0,9. Artinya, 90% digunakan untuk pelatihan dan 10% untuk validasi.

Metode 2: Mengunggah set validasi secara manual (ditentukan melalui validation_file_ids)

Jika Anda ingin menggunakan data yang telah Anda siapkan sendiri untuk mengevaluasi checkpoint alih-alih mengandalkan pembagian acak sistem, Anda dapat mengunggah set validasi kustom.

Catatan: Setelah Anda memilih untuk mengunggah secara manual, sistem sepenuhnya mengabaikan aturan pembagian otomatis di atas dan hanya menggunakan data yang Anda unggah untuk validasi.

{
    "model":"wan2.7-image-pro",
    "training_file_ids":[ "<training_set_file_id>" ],
    "validation_file_ids": [ "<custom_validation_set_file_id>" ],
    ...
}

Select the best checkpoint for deployment

Selama pelatihan, sistem secara berkala menyimpan "snapshot" model (yaitu, checkpoint). Secara default, sistem mengeluarkan checkpoint terakhir sebagai model hasil fine-tuning akhir. Namun, checkpoint yang dihasilkan selama tahap antara mungkin berkinerja lebih baik daripada versi akhir. Anda dapat memilih yang paling memuaskan untuk diterapkan.

Sistem menjalankan checkpoint pada set validasi dan menghasilkan gambar pratinjau pada interval yang ditetapkan oleh Hyperparameters (hyper_parameters) eval_steps.

• Cara mengevaluasi: Nilai hasilnya dengan langsung mengamati gambar pratinjau yang dihasilkan.
• Kriteria seleksi: Temukan checkpoint dengan hasil terbaik dan gaya yang paling sesuai.

Procedure

curl --location 'https://dashscope.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-results' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json'

{
    "request_id": "da1310f5-5a21-4e29-99d4-xxxxxx",
    "output": [
        {
            "checkpoint": "checkpoint-160"
        },
        ...
    ]
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/validation-details/<replace_with_checkpoint_to_export>?page_no=1&page_size=10' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "375b3ad0-d3fa-451f-b629-xxxxxxx",
    "output": {
        "page_no": 1,
        "page_size": 10,
        "total": 5,
        "list": [
            {
                "img_path": "https://finetune-result.oss-cn-wulanchabu.aliyuncs.com/xxx.png?Expires=xxxxxx",
                "prompt": "s86b5p, Change the background to an elevator equipped with a white ceiling lighting, featuring large floor-to-ceiling windows. Change the character's clothing to red tight-fitting mech armor with black stripe decorations.",
                "input_img": "https://finetune-result.oss-cn-wulanchabu.aliyuncs.com/val_dataset/input_001.png?Expires=xxxxxx"
            },
            ...
        ]
    }
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/export/<replace_with_checkpoint_to_export>?model_name=<replace_with_exported_model_display_name>' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "0817d1ed-b6b6-4383-9650-xxxxx",
    "output": true
}

curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/fine-tunes/<replace_with_fine_tuning_job_id>/checkpoints' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY"

{
    "request_id": "b0e33c6e-404b-4524-87ac-xxxxxx",
    "output": [
         ...,
        {
            "create_time": "2025-11-11T13:27:29",
            "full_name": "ft-202511111122-496e:checkpoint-160",
            "job_id": "ft-202511111122-496e",
            "checkpoint": "checkpoint-160",
            "model_name": "xxxx-ft-202511111122-xxxx-c160", // Bidang penting, digunakan untuk penerapan dan pemanggilan model
            "model_display_name": "xxxx-ft-202511111122-xxxx",
            "status": "SUCCEEDED" // Checkpoint berhasil diekspor
        },
        ...

    ]
}

Billing

• Model training: Charged.
  • Biaya = Total token pelatihan × Harga satuan. Lihat Training and deployment pricing.
  • Setelah pelatihan selesai, periksa jumlah total token yang dikonsumsi selama pelatihan dalam bidang usage dari API Retrieve a fine-tuning job.

  Tabel berikut mencantumkan jumlah langkah pelatihan dan perkiraan biaya untuk wan2.7-image, wan2.7-image-pro. Data ini hanya untuk referensi. Hasil pelatihan aktual mengikuti pengiriman akhir, dan biaya mengikuti tagihan resmi. Untuk rumus penagihan detail, lihat Training and deployment pricing.

  generation_type	Image Resolution	Common Step Count	Estimated Token Consumption	Estimated Cost
  t2i (text-to-image)	1K	500	6.400.000	$96
  		1.000	12.800.000	$192
  		2.000	25.600.000	$384
  	2K	500	11.610.000	$174,15
  		1.000	23.220.000	$348,3
  		2.000	46.440.000	$696,6
  i2i (image-to-image)	1K	500	11.610.000	$174,15
  		1.000	23.220.000	$348,3
  		2.000	46.440.000	$696,6
  	2K	500	16.000.000	$240
  		1.000	32.000.000	$480
  		2.000	64.000.000	$960

• Model deployment and invocation: Penerapan gratis. Pemanggilan dikenai biaya sesuai tarif standar model dasar hasil fine-tuning.

  Model ID	LoRA Deployment & Invocation Price
  wan2.7-image-pro	$0,075/image
  wan2.7-image	$0,03/image

API reference

Video and image generation model fine-tuning API

FAQ

Q: How do I design a good trigger word?

A: Aturannya sebagai berikut:

• Kami merekomendasikan menggunakan kombinasi karakter langka yang tidak memiliki makna semantik sebenarnya, seperti s86b5p, m01aa, atau EVEAven638123. Pastikan tidak ada makna semantik dalam kosakata model dasar.
• Hindari menggunakan kata bahasa Inggris umum (seperti beautiful, fire, atau dance), karena hal ini akan mencemari pemahaman asli model terhadap kata-kata tersebut.