LoRA训练过拟合表现为loss归零但生成图崩坏，需清洗数据（校准五官比例、删低质图、规范标签）、调参（关混合精度、降轮次、加L2正则0.01、cosine调度+3e-4学习率）并引入泛化约束（锚点提示词、反例图）。
☞☞☞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训练LoRA时loss曲线快速归零但生成图只复刻原图角度、换姿势就崩坏，或人物脸部细节漂移、纹理发糊、手部结构松散，说明模型已陷入过拟合——它记住了训练样本的噪声和局部特征，而非学习通用规律。
检查并清洗训练数据集
第一步：打开所有训练图，在PS或Photopea中用「标尺工具」测量左眉峰至内眼角像素距离，三张图偏差必须≤8px；若超限，必须用「自由变换→扭曲」手动校准，否则AI会把不同比例五官当三个角色学。
第二步：删除重复图、镜像翻转图、模糊图、带水印图——哪怕只有一张低质图混入30张图集中，也会让loss在第600步后突然震荡上扬。
第三步：确保每张图配同名英文标签文件（如01_face.jpg → 01_face.txt），内容仅含英文逗号分隔词，禁用括号、中文标点、全角空格；系统静默跳过非法命名文件，你根本看不到报错提示。
重设训练参数组合
方法一：降低模型复杂度
进入「赛博丹炉」→「训练LoRA」→关闭【混合精度训练】开关——LiblibAI云端fp16支持不稳定，开启后90%概率出现NaN Loss导致训练中途终止。
将「循环轮次」从默认10降至7，「单次张数」保持15不变；若图集仅25张，Repeat设为5，Epoch设为4，避免用50张图配10轮造成冗余拟合。
方法二：启用正则化干预
展开「高级参数」→勾选「权重衰减（L2正则）」→填入值【0.01】；该值高于0.02易抑制特征激活，低于0.005则无效。
调度策略改选“cosine with warmup”，学习率填入【3e-4】；固定用0.0008会导致小图集过早收敛，大图集后期震荡。
强制引入泛化约束
第一步：在「模型效果预览提示词」中插入硬性泛化锚点——开头写明触发词后，立即加“full body, three-quarter view, natural lighting, slight motion blur”，这四要素能迫使LoRA学习姿态鲁棒性而非死记正面静帧。
第二步：上传训练图时，额外添加1张「反例图」：同一人物侧脸+背影+半遮面各1张，命名为anti_01.jpg/anti_02.jpg/anti_03.jpg，不配txt标签；系统会将其识别为负样本，自动抑制角度锁定倾向。
第三步：训练启动后盯住loss曲线——若第900步后loss持续
