过拟合可从三方面判断：loss曲线假下降（如后段横跳或微升）、生成图像素级复刻训练图细节（如耳垂/痣位置重合、姿势偏差＜5°）、正则图未启用或风格不一致导致语义塌缩。
☞☞☞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☜☜☜
LiblibAI LoRA训练过拟合怎么判断
你在LiblibAI上跑完LoRA训练，loss曲线一路降到0.15，生成图却全是原图翻拍、姿势雷同、五官僵硬——这不是模型学得好，是它已经把22张训练图背下来了。判断是否过拟合，不能只盯loss数字，得看三类信号：loss异常走势、生成图质量塌缩、验证集行为失常。
看loss曲线是否出现“假下降”
方法一：打开训练日志里的loss折线图，重点观察第15步之后的波动形态。如果loss在0.22→0.18→0.16→0.15后突然变平甚至微升，但曲线表面依然光滑下降，大概率是混合精度开启导致梯度失效，系统仍在计时却未真实收敛。【混合精度默认开启时，loss前10分钟有效，之后多为震荡假信号】
方法二：导出原始loss数值CSV，用Excel画散点图。真收敛的loss应呈连续衰减趋势；若出现连续5个step loss值标准差＜0.002，且后续step反复在0.14–0.15之间横跳，说明模型已失去泛化能力，进入记忆模式。
比对生成图是否陷入“像素级复刻”
第一步：用同一触发词（如xiaobai_1girl）+相同CFG=7+Seed固定，分别用训练前基座模型和训练后LoRA生成10张图。
第二步：肉眼筛查生成图中是否存在以下任一现象：3张以上出现完全相同的耳垂形状、2张以上左眉尾痣位置像素级重合、所有图人物站姿角度偏差＜5°。只要满足其一，就是典型过拟合——模型没学结构规律，只记住了训练图的噪声细节。
第三步：关闭LoRA再生成一次。如果关闭后图像风格明显更发散、肢体更自然，而开启LoRA后反而动作单一、表情呆板，说明LoRA分支已固化错误路径，不是增强而是绑架了基座模型输出。
查正则图是否失去语义约束力
方法一：检查你上传的正则图（Regularization Images）是否与训练图同风格。如果训练图是二次元立绘，正则图却是写实人像或3D渲染图，LoRA会因语义冲突直接放弃学习共性特征，转而强记训练图特有笔触。【正则图必须与训练图保持一致画风、一致视角、一致光照，否则无法压制语义塌缩】
方法二：在训练页参数面板里确认“正则图权重”是否＞0。LiblibAI默认设为0，等于没用正则图。必须手动拖动滑块至0.3–0.5区间，让模型被迫在“匹配训练图”和“服从正则图通用特征”之间做权衡。
