loss下降≠效果变好，需通过tensorboard观察val_loss是否回升（过拟合）或双线平行未收敛（欠拟合），并结合生成图相似度、模型命名规律等综合判断。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你在LiblibAI上训练LoRA模型时，Loss曲线一路下滑，日志显示“converged”，可生成图却五官错位、背景重复、风格跑偏——这不是模型坏了，而是训练过程已悄然滑向过拟合或欠拟合陷阱。
先看一眼：Loss下降≠效果变好
LiblibAI默认展示的Loss值只反映模型对当前批次训练数据的拟合程度，不评估泛化能力。当训练集Loss降到0.03以下但验证图明显失真，大概率已过拟合；若Loss卡在0.4以上且生成图模糊、结构松散，说明欠拟合。
关键动作：打开LiblibAI训练页右上角的【日志详情】→点击【TensorBoard链接】→在Scalars标签页中同时勾选train_loss和val_loss两条曲线。过拟合表现为val_loss在第8–12轮后开始回升；欠拟合则两条线平行缓慢下降，始终未收敛。
判断是过拟合还是欠拟合
方法一：用同一张训练图做三组测试
① 输入原图对应tag（如1girl, blue hair, school uniform），生成图与原图相似度＞90% → 【高度提示过拟合】
② 换一组新tag（如1boy, red jacket, cyberpunk city），生成图仍出现原图中特定霓虹灯牌或人物手势 → 过拟合确认
③ 用基础底模（如SDXL Base）+相同tag生成对比图，LoRA输出与之差异极小 → 【欠拟合铁证】
方法二：检查自动保存模型命名规律
LiblibAI每500步自动保存一次模型，文件名形如lora_500.safetensors、lora_1000.safetensors……最终模型为lora_final.safetensors。过拟合常出现在lora_1500之后；欠拟合则往往lora_500就已接近极限。
过拟合：立刻停训+参数重调
第一步：立即终止当前训练任务，不要等跑完全部epochs
第二步：进入LiblibAI训练配置页，将epochs从默认20改为8–12（60张图以内用8，100张以上可用12）
第三步：learning_rate从1e-4下调至5e-5，同时开启【权重衰减】并设为0.01 —— 这个参数能压制LoRA层权重的异常放大，防止模型把水印、阴影等噪声当特征学走
第四步：上传新数据前，用LiblibAI内置【图像增强】功能批量添加±15°旋转、亮度±0.1扰动，强制模型忽略固定角度和明暗细节
欠拟合：补数据比调参更有效
直接删掉现有训练任务，重新上传数据集。重点检查三类缺失：
• 缺主体多样性：人物LoRA必须含3种以上表情（中性/笑/严肃）、2种以上光照（侧光/顶光/柔光）
• 缺构图层次：60张图里至少15张是特写（突出五官/配饰）、20张半身（展示服装结构）、10张全身（呈现比例与姿态）
• 缺风格锚点：艺术风格LoRA需包含至少5张“纯色块测试图”（如单色背景+手绘线条），帮模型锁定笔触而非依赖纹理
上传后，在LiblibAI打标页启用【智能扩标】，输入中文描述（例：“赛博朋克风少女，机械左臂，荧光蓝短发，雨夜街道”），自动生成带权重排序的英文tag，避免手动漏标关键特征
出图跑偏：不是模型问题，是调用姿势错了
方法一：检查LoRA加载权重
在WebUI中加载模型时，LoRA权重别设成1.2——LiblibAI训练的LoRA普遍在0.6–0.8区间效果最佳。权重＞0.9会强行覆盖底模原有结构，导致肢体扭曲
方法二：核对触发词是否完整
LiblibAI训练时自动绑定的触发词（如cyberpunk_girl_v2）必须完整写入正向prompt，不能简写为cyberpunk或girl。漏掉_v2后缀会导致模型调用底层通用权重而非你训练的专属参数
方法三：关闭冲突插件
禁用ControlNet的OpenPose预处理器——它会强制重绘人体结构，与LoRA学习到的姿态特征打架。如需姿势控制，改用Reference-Only模式注入参考图
