单张 RTX 5090 从零训图像模型，先被各种离谱 bug 拖崩
Creative-Listen-6847 · reddit · 2026-07-23
一位 Reddit 创作者记录了自己用 单张 RTX 5090 从零训练图像模型的全过程，数据规模从约 3.7 万 张图文对起步，随后经历了多轮“代码先把自己坑死”的训练。
前几轮是怎么翻车的
- 第一个版本只能学到“模糊摘要”，结果几乎只会画出“雪景”这种安全答案，其他内容全融化。
- 一个复制粘贴错误让训练器在每次保存预览时，都把当前模型覆盖成旧备份，等于定时清空进度，约 9.2 万步训练白做。
- 扩大数据集后，真正出问题的反而不是模型：数据加载器一次打开 71 个文件 直接崩掉；构建数据集时内存耗尽，还留下 47GB 半成品垃圾；日志里打印一个对勾字符都能让整轮训练退出；脚本里少一个反斜杠也会让启动失败。
最后真正奏效的部分
- 重写架构、让模型按词读取完整 caption 后，模型开始明显变好。
- 例如 “red dress” 能生成红裙，“white cat” 变成了形状对了但仍偏白的猫，“red sports car” 甚至从“像罐子”逐步学成真正的红色跑车。
- 作者还发现：loss 几乎不怎么动，但图像质量一直在变好，说明这类训练里损失值并不总能反映真实进展。
「多模态」频道最新
- 一条 Midjourney 提示词复刻 70 年代纽约街拍 — tisch_eins · 2026-07-23
- 微软开源 4B 级原生分辨率图像生成编辑模型 — pmttyji · 2026-07-23
- Flint Image 一次提示出 4 图，成本号称低 67% — miilesus · 2026-07-23
- 3 个提示词生成无限探索宇宙：AI 游戏开发工作流展示 — scaling01 · 2026-07-23
- 开源界或将迎来 SeeDance 级别重磅模型 — cocktailpeanut · 2026-07-23
- 一条 Midjourney 提示词公式，专做戏剧感漫画封面 — tisch_eins · 2026-07-23