欠拟合表现为训练集和验证集损失均高且接近、生成结果单调缺乏区分度。核心信号：loss持续高于0.8无下降；连续5次输出高度相似；标签预测置信度极端集中（>95%样本主类概率>0.98）。
☞☞☞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☜☜☜
LiblibAI模型欠拟合时，训练集和验证集的损失值都持续偏高，且两者差距极小，模型输出结果单调、缺乏区分度，比如在图像生成任务中反复产出模糊、结构缺失或风格雷同的图样。
识别欠拟合的三大核心信号
第一步：观察训练日志中的 loss 曲线——【训练 loss 与验证 loss 均高于 0.8 且收敛后仍无明显下降趋势】，说明模型连基础模式都没学会，不是调参问题，而是根本没学进去。
第二步：检查生成结果的多样性——若连续 5 次推理输出的图像在构图、边缘、色彩分布上高度相似（例如全部呈现中心对称+低对比度+无细节纹理），基本可判定为欠拟合；过拟合会“死磕细节”，欠拟合则“放弃细节”。
第三步：比对标签预测置信度（适用于有监督微调场景）——模型输出的概率分布极度集中，如 95% 以上样本的主类别概率 >0.98 或
常见诱因与对应现象
方法一：训练轮数不足（epochs 过少）
表现是 loss 曲线尚未走平就中断训练，验证指标在第 10 轮后仍呈阶梯式下跌。LiblibAI 默认 epoch=20，但真实数据复杂度高时需手动设为 50+。
方法二：学习率设置过高或过低
过高会导致 loss 震荡不收敛；过低则 loss 缓慢爬坡，100 轮后仍卡在 1.2 附近。建议从 1e-5 开始试，配合 warmup_steps=100。
方法三：数据质量或数量严重不足
上传的训练图仅 12 张且含大量重复构图、相同背景、无关键特征变化，模型无法提取泛化特征。LiblibAI 对高质量图要求严格：单类至少 30+ 张，每张需包含不同角度、光照、裁剪比例。
快速验证是否真为欠拟合
用同一组训练图，在 LiblibAI 控制台中切换为「LoRA 微调」模式 → 关闭所有正则化选项（如 dropout=0、weight_decay=0）→ 将 batch_size 调至最小（如 1）→ 训练 5 轮。
若此时训练 loss 快速跌破 0.3，而原全量微调模式下 loss 始终 >0.9，则确认是模型容量或训练策略导致的欠拟合，而非数据本身不可学。
