SwarmUI项目中LoRA语法扩展支持文本编码器权重

在深度学习模型微调领域，LoRA（Low-Rank Adaptation）技术因其高效性和灵活性而广受欢迎。近期SwarmUI项目针对LoRA语法进行了一项重要升级，使其能够更精细地控制不同模型组件的权重参数。

传统实现中，SwarmUI仅支持通过<lora:loraname:unet weight>语法调整UNet部分的权重。这种单一维度的控制方式虽然能满足基础需求，但对于需要精细调优的场景（如模型训练调试）存在明显局限。特别是在LoRA训练过程中，当需要分别诊断UNet和文本编码器（Text Encoder）的学习效果时，原有语法就显得力不从心。

本次升级引入了类似a1111/forge框架的扩展语法<lora:loraname:unet weight:text encoder weight>。新语法通过冒号分隔符实现了双参数控制，允许用户：

1. 独立设置UNet部分的权重系数
2. 单独调节文本编码器组件的权重影响
3. 通过组合调试快速定位模型表现问题的根源

这种改进对LoRA训练者尤其有价值。当模型输出出现异常时，开发者可以通过分别调整两个权重参数，快速判断问题是源于UNet部分的特征提取异常，还是文本编码器的语义理解偏差。例如：

• 如果降低文本编码器权重能改善结果，可能提示文本编码器的学习率设置过高
• 若调整UNet权重影响更大，则可能需要检查UNet的结构参数

技术实现上，该功能通过扩展原有的权重解析逻辑，在保持向后兼容的前提下新增了文本编码器权重的处理分支。系统会先尝试解析第二个权重参数，若不存在则沿用原有行为。这种设计既满足了新需求，又确保了现有工作流的稳定性。

对于普通用户，建议从默认权重（如1.0）开始尝试，逐步调整观察效果；对于高级用户，可以结合训练日志分析两个组件的权重影响曲线，实现更科学的参数优化。这项改进虽然看似简单，但为模型微调提供了更精细的控制维度，是SwarmUI向专业化方向迈进的重要一步。