liblibai训练lora易过拟合，主因是数据量小未清洗、混合精度默认开启导致梯度异常、epoch与学习率配置失当；须精简标签、关闭混合精度、控制loss在0.25–0.35停训，并用同风格正则图防止语义塌缩。
☞☞☞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☜☜☜
为什么LiblibAI上训练LoRA模型容易过拟合
你在LiblibAI上传30张人物图、点下“开始训练”、等两小时后看到loss降到0.18，满心欢喜去测试，结果生成图不是原图翻拍就是五官僵硬、姿势雷同——这不是运气差，是模型已经过拟合了。根本原因在于平台默认流程和新手操作习惯，共同绕开了三个关键防过拟合开关。
数据层面：图集太小又没清洗，模型直接背答案
LiblibAI允许上传20–50张图，但新手常卡在下限：用22张图就开训。这时模型参数量远超样本信息熵，它不学“人脸结构规律”，而是记“第7张图左眉尾有颗痣+右眼下有细纹+耳垂偏厚”这种组合特征。更致命的是，平台自动打标的标签文件里混入大量冗余词（如“best quality, masterpiece, ultra detailed”），这些通用词会稀释触发词权重，迫使模型把有限注意力全压在图像像素细节上，加速记忆而非泛化。
必须人工删掉所有AI自动生成的泛化标签，每张图只保留【触发词+1girl或1boy】两个词，例如xiaobai_1girl。触发词须全英文、无空格、不带括号，否则后续调用时无法精准激活LoRA分支。
训练配置：混合精度开着，loss曲线全是假信号
进入“赛博丹炉”→点击“训练LoRA”→在简易参数面板底部，你会看到一个灰色开关：“混合精度训练”。默认是开启状态。这个选项在LiblibAI云端fp16支持不稳定，90%概率导致梯度爆炸，loss值先骤降再突然跳到NaN，系统却继续计时训练。你看到的“loss稳定在0.25”其实是前10分钟的有效下降，后面全是无效震荡，模型早已在混乱中固化错误路径。
第一步必须手动关闭【混合精度训练】开关，这是防止训练中途报废的硬性前提。
参数策略：Epoch和学习率叠在一起，模型越训越死
方法一：标准模式（推荐新手）
① “循环轮次”设为8，保持默认不动；
② 关闭混合精度；
③ “模型效果预览提示词”严格写成：触发词, front view, studio lighting, high detail——触发词必须前置，不能裹在长句里；
④ 训练过程中紧盯loss曲线，一旦连续3轮不再下降，立即手动终止。
方法二：单图强化（仅当原始图≤3张时启用）
展开“高级参数”→Repeat设为7→学习率填4e-4→Epoch设为5→必须启用“正则图”并上传5张同风格无关图（如其他水墨人物）。注意：loss稳定降至0.25–0.35区间就必须停训，低于0.2说明模型已放弃泛化，只复刻原图姿态。
验证阶段：不用正则图，1girl类标签就被污染
如果你训练的是“波奇酱”这类具体角色，又没上传正则图（class images），模型会把“1girl”这个通用标签和波奇酱的五官特征强行绑定。后续生成“穿旗袍的1girl”，出来的还是波奇酱脸+旗袍，而不是新角色。这是因为小样本训练下，文本编码器的嵌入空间被局部塌缩，语义锚点丢失。
正则图必须与训练图同风格、不同人物，数量5张足矣，命名规则与训练图一致，上传后平台会自动配对参与正则化计算。
