自编码器、GAN 与生成建模

学会正常样子，能帮助发现不正常吗

设备正常运行时有大量记录，故障记录却很少。一个想法是先学习正常状态的紧凑表示，再尝试重建输入：如果某条记录很难重建，就值得检查。自编码器提供了这种工具，但难以重建也可能只是新工况，仍需业务确认。

如果进一步要求模型“画出一个从未见过的正常状态”，问题就变了：它不仅要还原一个给定输入，还要知道从哪里取到合理的新表示。本章沿着这个问题先学习自编码器，再看 VAE、GAN 与扩散模型怎样生成样本，最后连接到读图问答和文生图实践。真实样本、重建样本和随机生成样本的来源不同，比较时应分别标明。

重建与生成不是同一件事

自编码器将输入压缩到潜变量再重建，适合表示学习、去噪和探索异常。若容量过大，它可能只学恒等映射；瓶颈、正则或噪声迫使其学习更有用结构。重建效果好不等于从任意随机潜变量都能生成合理样本。

\begin{array}{rcl}\mathbf{z}&=&f_{\theta}(\mathbf{x}),\quad\hat{\mathbf{x}}=g_{\phi}(\mathbf{z}),\\ L_{\mathrm{AE}}&=&\frac{1}{n}\sum_{i=1}^{n}\left\lVert\mathbf{x}_{i}-g_{\phi}(f_{\theta}(\mathbf{x}_{i}))\right\rVert_{2}^{2}.\end{array}

(24.1)

$\mathbf x$ 是输入，编码器 $f_\theta$ 把它变成潜表示 $\mathbf z$ ，解码器 $g_\phi$ 再输出重建值 $\hat{\mathbf x}$ ； $\theta$ 、 $\phi$ 分别是两部分的参数。损失对 $n$ 个样本求平均，平方范数把一个样本各维度的重建误差平方后相加。例如原输入为 $(1,0)$ 、重建为 $(0.8,0.1)$ ，该样本的平方误差为 $0.2^2+0.1^2=0.05$ 。若输入维度或数值单位改变，损失大小也会改变，不能跨设置直接比较。

训练完成后，输入一条新记录，就能比较原始值与重建值。误差大说明模型难以按训练时学到的方式表示它，但原因可能是故障，也可能是正常的新工况。若要做异常检测，应另用已知正常与异常样本检验误报和漏报，而不能从“损失较大”直接跳到故障结论。

VAE 的概率解释

普通自编码器只约束训练输入对应的潜表示，随意抽一个潜向量可能落到它没学好的区域。变分自编码器（VAE）为生成过程先规定潜变量分布 $p(\mathbf z)$ ，例如标准正态，再学习条件分布 $p_\theta(\mathbf x\mid\mathbf z)$ 。生成新样本时，先从前者抽取 $\mathbf z$ ，再通过后者生成 $\mathbf x$ 。

训练时需要反过来理解“这条真实输入可能来自哪个潜变量”，于是引入近似后验 $q_\phi(\mathbf z\mid\mathbf x)$ 。本节按 VAE 常见记号，用 $\phi$ 表示推断网络参数、 $\theta$ 表示生成网络参数，与上一节普通自编码器的字母分工不同。对边缘对数似然使用 Jensen 不等式可得：

\log p_{\theta}(\mathbf{x})\geq\mathbb{E}_{q_{\phi}(\mathbf{z}\mid\mathbf{x})}\left[\log p_{\theta}(\mathbf{x}\mid\mathbf{z})\right]-D_{\mathrm{KL}}\left(q_{\phi}(\mathbf{z}\mid\mathbf{x})\,\Vert\,p(\mathbf{z})\right)

(24.2)

右端称为证据下界（ELBO）。第一项对近似后验中的潜变量取平均，鼓励生成器能解释真实输入；第二项衡量近似后验偏离先验的程度，限制潜表示随意散开。训练通常最大化这个下界，或最小化它的负值。下界与真实对数似然之间的差，是近似后验与真实后验的 KL 散度，因此下界并非与真实似然无条件相等。

若近似后验为对角高斯，推断网络输出均值 $\boldsymbol\mu$ 和标准差 $\boldsymbol\sigma$ ，再按 $\mathbf z=\boldsymbol\mu+\boldsymbol\sigma\odot\boldsymbol\epsilon$ 、 $\boldsymbol\epsilon\sim\mathcal N(\mathbf0,\mathbf I)$ 取得样本。 $\odot$ 表示逐元素乘法， $\boldsymbol\epsilon$ 是与网络参数无关的标准正态噪声。这样把随机抽样与可微变换分开，梯度便能经过均值和标准差回到网络。本章 VAE 是理论拓展，普通自编码器案例并未因此变成 VAE。

对抗训练

GAN 中生成器把噪声变成样本，判别器区分真实与生成。经典极小极大目标如下；实际常用生成器非饱和损失改善梯度，不能把各种实现的损失数值直接互比。

\underset{G}{\min}\;\underset{D}{\max}\left\{\mathbb{E}_{\mathbf{x}\sim p_{\mathrm{data}}}[\log D(\mathbf{x})]+\mathbb{E}_{\mathbf{z}\sim p(\mathbf{z})}[\log(1-D(G(\mathbf{z})))]\right\}

(24.3)

$p_{\mathrm{data}}$ 是真实数据分布， $p(\mathbf z)$ 是输入噪声的分布， $G(\mathbf z)$ 是生成样本； $D(\mathbf x)$ 是判别器将输入判断为真实数据的概率。固定生成器时，判别器通过最大化目标，让真实数据得分高、生成数据得分低；固定判别器时，生成器更新参数，争取让自己的样本更像真实数据。实际训练交替进行，两者的损失会互相影响。

条件 GAN 还给 G、D 提供类别或其他条件。模式崩溃表示只覆盖少数输出模式，判别损失看似平衡不一定意味着样本分布正确。训练是双模型相互作用，稳定性比单个监督目标更难解释。

实践与质量判断

使用手写数字重建案例比较不同潜变量维度；使用双月形条件 GAN 比较各类别生成点与真实分布。保存训练集之外的重建示例，检查输出是否只是接近训练样本的复制。异常检测阈值应在验证数据上确定，不能把所有高重建误差都视为真实故障。

练习：一个模型对训练图像重建很好，对未见图像很差，说明什么？可能过拟合或分布变化，需独立测试。参考：VAE、GAN。

先用预训练模型完成三类推理

从样本生成走到现代多模态模型

前面几节研究怎样生成数据，但“根据图片回答问题”还需要把视觉内容接入语言模型。常见视觉语言模型先用视觉编码器把图片变成一组特征，再将这些表示与文字上下文结合，由语言部分生成回答。图片常被分为局部区域处理；文字 token 和视觉表示的形成方式不同，不能把一块图片简单理解为一个汉字。视频还要保留帧的时间顺序，否则同一组画面无法可靠区分“进门”和“出门”。Qwen3-VL 的官方实现给出了具体的视觉特征与时间位置处理方式。Qwen3-VL 官方资料。

语音也需要相应表示：系统可以先把声音转成文字，再交给语言模型，也可以由专门的音频编码器直接提取声音特征；若要输出语音，还需要把文字或声音表示转换为波形。联合处理文字、图片、视频与声音的公开模型可参考 Qwen2.5-Omni，但不同模型支持的输入和输出并不相同。这里解释的是技术方法，本软件下述视频实践不读取音轨，也没有因此获得完整语音对话能力。Qwen2.5-Omni 技术报告。

文生图为什么要逐步去噪

下述文生图案例使用潜空间扩散模型，其生成过程与语言模型逐 token 续写不同。训练时，先把图片编码成潜表示，在选定噪声强度下加入已知随机噪声，再让网络在文字条件帮助下预测噪声或相关目标。生成时从随机噪声出发，反复调用网络与采样规则，逐步得到图像潜表示，最后解码成像素。VAE 在这里负责像素与潜空间转换，并不独自承担整个文生图过程。去噪扩散模型、潜空间扩散模型。

因此，语言模型的下一 token 损失、GAN 的对抗损失和扩散模型的噪声预测损失衡量的是不同问题。它们都能用于生成式 AI，却不能只比较损失数字就判断哪种图片或回答更好。现在带着这个区别，再进入软件中的三个推理任务。

案例库的“生成式 AI”分类提供读图问答、文字生成水彩图像、文献问答三个入门案例。它们使用已有预训练权重；先在“工具 → 模型管理（语言 / 视觉 / 文生图）”阅读许可并自行下载相应模型，打开案例不会自动下载。模型权重不随安装包分发。

读图问答使用 Qwen3-VL-2B。随包柱状图是虚构数据，参考答案为 Q2 最高，Q1=10、Q2=20、Q3=15。模型可能看错小字或数值，必须对照原图。
文字生成图片使用 BK-SDM-Tiny，默认生成 512×512 图片。英语描述通常更合适，步骤数影响时间与效果，种子用来复现实验。它不是图片搜索，也不支持上传图片后编辑；安全检查器保留。使用前阅读 CreativeML Open RAIL-M 的用途限制。
文献问答使用 Qwen3-0.6B。随包 Markdown 是原创虚构资料，参考答案为 120 个样本、测试准确率 85%。展开回答下方的“文献依据”核对文件和位置，不要只相信模型给出的引文。

再让模型学习图像、视频或图片描述

LoRA 的低秩更新原理见第 19 章。“深度学习”分类中的四个进阶案例把它用于不同模态；模态指文字、图片或视频等输入形式。先明确表中每行是什么，再选择训练组件。

案例	每行训练数据	更新与验收重点
210：`vlm_chart_lora.bml`	`image` 图片路径、`prompt` 问题、`response` 回答	读取季度数值与最大季度；逐项核对数字
211：`vlm_document_lora.bml`	同上，图片为模拟单据	核对编号、合计、状态及回答格式
212：`video_motion_lora.bml`	`video` 视频路径、`prompt`、`response`	每段均匀取 8 帧并保留时间信息；检查运动方向
213：`image_pattern_lora.bml`	`image` 图片路径、`caption` 英文描述	检查颜色、形状、描述符合程度与样本多样性

前两例把 Qwen3-VL 接入“LoRA 监督微调”，只更新语言侧注意力的附加参数，视觉编码器和基础权重冻结。每行读取一张本地图片；图片与问答共同占用序列长度，超限会提示调整，不会静默截断图片。默认图片相对路径以问答表所在目录为起点，另有根目录参数可指定。训练和验证应按原始图片分组，不能把同一张图换个文件名当独立验证。

视频案例使用“视频问答 LoRA 微调”。抽帧是在一段视频中选择少量时间点的画面，可能遗漏短暂事件；当前不读取音轨，也不生成视频。训练视频与验证视频应来自不同片段，含相同视频文件的输入会被拒绝。

文生图案例使用“文生图 LoRA 微调”，冻结文字编码器和 VAE，只更新 UNet 注意力的 LoRA 参数。这里 VAE 负责在像素与潜表示之间转换；UNet 是预测带噪潜表示中噪声或相应目标的网络。训练把图像加噪，再学习目标预测，其均方误差不是图片美观度评分。案例训练边长为 256，等比例中心裁剪可能删掉边缘对象，先检查素材构图；推理输出尺寸随保存的微调模型配置。

四例各有 4 个训练素材和 2 个验证素材，均为小型流程练习。它们展示本地权重、监督数据、适配器与推理的关系，不能凭一次损失下降宣称图表阅读、视频理解或风格学习已经改善。先保存基础模型在相同未见素材上的结果，再对比微调后输出；训练目标不同，文字回答损失与扩散噪声损失不能互相排名。

在推理页使用对话与附件

预训练模型的推理页直接显示“对话”页签；文字模型还可切换到“单次 / 批量”。字符级教学模型保留“续写 / 批量”，点击“对话”直接进入聊天，不再用单选按钮跳转。输入框支持多行，Enter 发送，Shift+Enter 换行。清空对话不会退出聊天页。

纯文字模型可添加 PDF、DOCX、Markdown、TXT 文献；视觉模型另外支持图片和本地视频。视频按时间抽帧、没有音轨输入；这与逐帧完整分析不同。长文只提取相关片段，不代表逐页完整阅读。PDF 只提取可识别文字，不自带 OCR；扫描版需把页面另存为图片交给视觉模型。表格、公式和版式可能提取不完整。附件内容是待分析资料，不应被当成改变任务的指令。

等待时显示生成状态和耗时。首次加载模型可能比后续回复慢；“停止生成”结束本次计算并保留已显示的部分文字，之后可重新发送。停止聊天不等于暂停训练，也不会自动把对话训练进模型。图片结果可放大、复制与保存。以上是交互能力，不能保证小模型具备通用助手的理解与生成质量。

图文操作：用重构误差检查异常，而不是看到高柱子就下结论

第 1 步：找出自编码器的两条输入支路

打开本章自编码器案例，检查数据经过哪些预处理后进入训练器，以及自编码器结构的 model 输出是否接到训练器。重构评估节点还需要模型与待检查数据，不能只给它一个网络定义。

操作图 24-A 当前自编码器案例画布。训练数据拟合预处理，测试支路使用已拟合变换，再进入重构评估。

第 2 步：保留训练范围和列处理记录

如果准备用正常经营记录学习“常态”，先定义正常时期与异常事件，不要把事后认定的异常悄悄混进基线。记录输入列、缩放方式、瓶颈维度和训练轮数；误差的量纲会受到这些选择影响。

第 3 步：运行后查看误差分布

在结果区打开重构误差图，必要时放大查看。横轴是每个样本的误差，纵轴是样本数量；不是每根柱子代表一家门店。将高误差样本的原始记录找回来，再判断是异常经营、数据质量问题，还是模型没学好的正常群体。

操作图 24-B 当前自编码器重构结果页。本轮仅将案例训练轮数改为 2 完成小规模流程核验，不代表模型已经收敛，也不是异常阈值或质量基准。

第 4 步：在验证数据上确定告警规则

先约定每天可处理多少条告警以及漏报成本，再在独立数据上选阈值。保存阈值、误报和漏报实例。异常检测产生的是检查线索，不能直接替代业务结论。

延伸操作：按类别生成月牙点和手写数字

先打开 dl_cgan_moons.bml。生成器输入是随机噪声加类别，不是一条要分类的真实样本。新版案例使用 2 维噪声、128,128 隐藏层，训练 600 轮、批量 64、学习率 0.001。选择从头训练后，在条件样本生成结果中比较真实点与生成点：两条月牙是否都覆盖完整？有没有挤成一小团？有没有跑到真实分布之外？

操作图 24-C 当前条件月牙生成案例的真实画布。

操作图 24-D 本机真实训练后的月牙对比。左侧为真实参考点，右侧为固定生成种子 7 的全部生成点，未挑选样本。

再打开 dl_cgan_digits.bml。本例仍是 8×8 数字，不是高清 28×28 MNIST。参数为噪声维度 32、隐藏层 256,256、MLP 数据缩放 minmax，训练 240 轮、批量 128、学习率 0.0005。缩放后用 Tanh 限定生成范围，输出再还原到像素单位；固定为零的背景列仍固定为零。旧工程可以继续保留 zscore 设置，新参数不会偷偷改写旧模型。

操作图 24-E 当前数字 GAN 的参数，展开高级项可见数据缩放选项。

操作图 24-F 本机实际生成的 8×8 数字。每行请求一个类别，每类显示固定种子 7 下最先生成的 10 张，未按识别结果筛选；仍有模糊和重复样式。

在推理使用选生成器，选择类别和数量再运行。检查“像不像”和“是否多样”是两件事：每次都生成一个漂亮的 8，可能是模式坍塌。判别器损失接近 0.69 也不能单独证明学好了。可以借助独立分类器检查生成标签是否吻合，但这种一致率只是辅助诊断，不是 GAN 的“识别准确率”；本案例使用整张表学习分布，不能把这张表又称作独立测试集。

进阶操作：四种多模态微调怎样接线

先用已准备好的基础模型跑通前面的推理案例，再打开 210～213 号微调案例。四个工程都把基础模型接到训练器 predictor、训练表接到 train、独立验证表接到 valid，再把微调后的 predictor 接“多模态问答与生成”。确认图片或视频的相对路径能从表格目录找到素材。

210 和 211 使用同一“LoRA 监督微调”入口，分别练习读图表与读单据。预览表中的 image、prompt、response；先检查一个问题是否确实能从对应图片得到答案。展开高级项核对图片像素上限，常用项核对训练序列上限；图片更清楚通常需要更多 token 与显存。梯度检查点通过重算中间结果节约显存，和保存训练断点是两件事。

操作图 24-G 当前图表问答 LoRA 属性。图片像素与序列长度共同限制资源；此图为配置记录，未执行训练。

操作图 24-H 当前文档图片 LoRA 属性。问答表需要与每张单据配套的期望字段；未执行训练。

212 使用“视频问答 LoRA 微调”，表中是 video、prompt、response。保留案例的 8 帧、单帧像素上限 65536、序列上限 2048，先查看原视频的运动方向。修改帧数会改变可见时间点及计算量；没有抽中的事件不能靠调低温度补回来。

操作图 24-I 当前视频微调参数。每段取 8 帧，保留时间信息，不读取音轨；未执行训练。

213 使用“文生图 LoRA 微调”，表中是 image、caption，案例训练边长 256、批量 1、学习率 0.00005、目标总轮数 1。检查中心裁剪后仍能看全形状。对比基础模型和微调模型时，使用相同描述、生成种子及步数；再尝试训练中没有的颜色与形状组合，并保留失败输出。

操作图 24-J 当前文生图微调参数。训练图片边长不同于生成步数；未执行训练。

完成一轮后，检查日志中的训练与验证记录，再到“推理使用”选择微调结果。保存并重开时保留基础模型缓存、适配器和工程资产；需要续训还要保留完整训练断点。停止与恢复操作见第 19 章。小样本能够跑通，只能作为流程验收，效果结论还需要未参与调参的素材。

案例配置：自编码器：手写数字压缩重建与异常分

把 8×8=64 个像素压到 8 维隐空间再重建，演示有损压缩与去噪；每样本重建误差可作为异常分（误差越大越可能是异常/离群图像），最后把重建网络导出为 TorchScript .pt 独立部署。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

dl_ae_digits_recon.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
表格导入 `data`	`data.table_import`	文件路径 = "data/digits.csv"; 目标列 = ""
标准化 `std`	`preprocess.data_process`	操作 = "standardize"; 缩放方法 = "zscore"
数据划分 `split`	`preprocess.split`	测试集比例 = 0.3; 验证集比例(剩余数据) = 0.0; 划分方式 = "stratified"; 随机种子 = 42
自编码器 `net`	`model.autoencoder`	隐空间维度 = 8; 隐藏层 = "32,16"
训练器 `trainer`	`train.trainer`	轮数 = 120; 批量大小 = 32; 学习率 = 0.01; 优化器 = "adam"; 随机种子 = 42
重建/隐空间评估 `recon`	`eval.reconstruction`
导出训练好的模型 `export`	`model.export_model`	导出格式 = "torchscript"
应用已拟合预处理 `split_apply_test`	`preprocess.data_process`	操作 = "apply_fitted"

data.data → split.data
split.train → std.data
std.data → trainer.train
net.model → trainer.model
trainer.predictor → recon.predictor
split_apply_test.data → recon.data
trainer.predictor → export.predictor
split.test → split_apply_test.data
std.transformer → split_apply_test.transformer

各节点的参数说明

表格导入 · data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

标准化 · std

操作 operation: 参数“操作”。
缩放方法 standardize__method: 参数“缩放方法”。

数据划分 · split

测试集比例 test_size: 划分到测试集的样本比例。
验证集比例(剩余数据) valid_size: 划分到验证集的样本比例。
划分方式 strategy: 该节点采用的处理策略。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

自编码器 · net

隐空间维度 latent_dim: 自编码器压缩得到的隐空间（瓶颈层）维度。
隐藏层 hidden: 各隐藏层的神经元数，多个层用逗号分隔。

训练器 · trainer

轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
优化器 optimizer: 更新模型参数的优化器：SGD、Adam、RMSprop、Adagrad、Adadelta、AdamW、Adamax、RAdam、NAdam、Rprop、ASGD。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

导出训练好的模型 · export

导出格式 format: auto：深度学习导出 TorchScript（自包含 .pt，可脱离本软件独立加载），经典模型导出 joblib(.pkl)；state_dict 仅权重(.pth，另附网络结构 json，便于继续训练)；onnx 跨框架部署；joblib 仅用于 sklearn 类模型。

应用已拟合预处理 · split_apply_test

操作 operation: 参数“操作”。

案例配置：条件生成对抗网络：生成月牙样本

这里不是月亮的种类：0类是左上方的一条拱形点带，1类是右下方的一条倒拱形点带，两条错开像两个月牙。每个样本只有横坐标x1、纵坐标x2和类别。条件GAN按你指定的0或1生成新的坐标点；看生成点是否沿对应的弧线分布，而不是看分类准确率。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

dl_cgan_moons.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
表格导入 `data`	`data.table_import`	文件路径 = "data/moons.csv"; 目标列 = ""
条件生成对抗网络 cGAN `net`	`model.cgan`	噪声维度 = 2; 隐藏层(逗号分隔) = "128,128"; 每轮判别器步数 = 1; MLP 数据缩放 = "zscore"
训练器 `trainer`	`train.trainer`	轮数 = 600; 批量大小 = 64; 学习率 = 0.001; 优化器 = "adam"; 随机种子 = 42; 学习率衰减 = "cosine"
条件样本生成 `generate`	`predict.cgan_generate`	每类生成数 = 120; 随机种子 = 7

data.data → trainer.train
net.model → trainer.model
trainer.predictor → generate.predictor
data.data → generate.data

各节点的参数说明

表格导入 · data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

条件生成对抗网络 cGAN · net

噪声维度 noise_dim: GAN 生成器输入随机噪声向量的维度。
隐藏层(逗号分隔) hidden: 各隐藏层的神经元数，多个层用逗号分隔。
每轮判别器步数 d_steps: 生成器每更新一次，判别器更新的次数；判别器偏弱时可调大。
MLP 数据缩放 normalization: zscore：标准化加线性输出，适合月牙等连续数据；minmax：缩放到 [-1,1] 并用 Tanh 限制输出范围，适合像素图像。仅 MLP 架构。

训练器 · trainer

轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
优化器 optimizer: 更新模型参数的优化器：SGD、Adam、RMSprop、Adagrad、Adadelta、AdamW、Adamax、RAdam、NAdam、Rprop、ASGD。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。
学习率衰减 lr_schedule: 学习率随轮数自动衰减：余弦(cosine)平滑降到初始值的1%；阶梯(step)每过总轮数1/3减半；none 保持不变。

条件样本生成 · generate

每类生成数 n_per_class: 条件生成中为每个类别生成的样本数量。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：条件生成对抗网络：按数字类别生成手写数字

按指定的0～9生成新的8×8手写数字图，例如选3就让模型画3，不是识别上传图片。条件GAN由造图的生成器和辨别真假的判别器一起训练；看数字是否像指定类别、同类是否有不同写法。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

dl_cgan_digits.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
表格导入 `data`	`data.table_import`	文件路径 = "data/digits.csv"; 目标列 = "target"
条件生成对抗网络 cGAN `net`	`model.cgan`	噪声维度 = 32; 隐藏层(逗号分隔) = "256,256"; 每轮判别器步数 = 1; 输出图像尺寸(可选) = "8,8"; MLP 数据缩放 = "minmax"
训练器 `trainer`	`train.trainer`	轮数 = 240; 批量大小 = 128; 学习率 = 0.0005; 优化器 = "adam"; 随机种子 = 42; 学习率衰减 = "cosine"
条件样本生成 `generate`	`predict.cgan_generate`	每类生成数 = 120; 按图像渲染(高,宽,空=散点) = "8,8"; 随机种子 = 7

data.data → trainer.train
net.model → trainer.model
trainer.predictor → generate.predictor
data.data → generate.data

各节点的参数说明

表格导入 · data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

条件生成对抗网络 cGAN · net

噪声维度 noise_dim: GAN 生成器输入随机噪声向量的维度。
隐藏层(逗号分隔) hidden: 各隐藏层的神经元数，多个层用逗号分隔。
每轮判别器步数 d_steps: 生成器每更新一次，判别器更新的次数；判别器偏弱时可调大。
输出图像尺寸(可选) image_shape: 生成结果为图像时填写“高,宽”（8×8 手写数字填 8,8；28×28 MNIST 选 conv 架构并填 28,28），特征列数须等于高×宽；留空则按二维平面散点显示。
MLP 数据缩放 normalization: zscore：标准化加线性输出，适合月牙等连续数据；minmax：缩放到 [-1,1] 并用 Tanh 限制输出范围，适合像素图像。仅 MLP 架构。

训练器 · trainer

轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
优化器 optimizer: 更新模型参数的优化器：SGD、Adam、RMSprop、Adagrad、Adadelta、AdamW、Adamax、RAdam、NAdam、Rprop、ASGD。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。
学习率衰减 lr_schedule: 学习率随轮数自动衰减：余弦(cosine)平滑降到初始值的1%；阶梯(step)每过总轮数1/3减半；none 保持不变。

条件样本生成 · generate

每类生成数 n_per_class: 条件生成中为每个类别生成的样本数量。
按图像渲染(高,宽,空=散点) image_shape: 当生成特征是展平的图像像素时，填写图像的高与宽（如 8,8），将按类别把生成样本渲染成图像网格；留空则绘制二维散点。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：多模态：读图与图表问答

先在工具的模型管理中下载 Qwen3-VL-2B（约4.27GB），本例不会自动下载。运行时加载预训练权重，读取随包虚构柱状图，不从零训练。正确参考：Q2最高，Q1=10、Q2=20、Q3=15。推理页默认进入对话，添加自己的图片后提问；小字、精确计数和公式可能识别错误。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

gai_vision_qa.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
视觉语言模型（读图与问答） `base`	`model.pretrained_vlm`	模型 = "Qwen/Qwen3-VL-2B-Instruct"; 本地模型文件夹(可选) = ""; 上下文 token 数 = 4096
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "这张图中哪个季度销量最高？请写出三个季度的数值，并说明是否为真实业务数据。"; 附件文件(可选) = "data/multimodal_chart.png"; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → answer.predictor

各节点的参数说明

视觉语言模型（读图与问答） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。
上下文 token 数 context_length: 参数“上下文 token 数”。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：生成式 AI：文字生成水彩图像

先在模型管理中阅读 CreativeML Open RAIL-M 用途限制，再自行下载 BK-SDM-Tiny（约1.67GB）。运行后得到512×512图片。英语提示通常更有效，默认25步、种子42。推理对话里可修改描述继续生成，图片可放大、复制和保存。这是生成不是检索，也不支持用上传图片做编辑；模型安全检查器保留。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

gai_text_to_image.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
扩散模型（文字生成图片） `base`	`model.pretrained_imagegen`	模型 = "nota-ai/bk-sdm-tiny"; 本地模型文件夹(可选) = ""
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "A small green house beside a blue lake, watercolor painting, daytime"; 附件文件(可选) = ""; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → answer.predictor

各节点的参数说明

扩散模型（文字生成图片） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：文献问答：上传资料、提问与核对依据

使用已下载的Qwen3-0.6B，随包MD是原创虚构练习，不是已发表论文。参考答案为120个样本、测试准确率85%。推理对话可添加PDF、DOCX、MD、TXT；回答下展开文献依据核对文件、页码或段落。长文只选择相关片段，不保证全文阅读；扫描PDF需另存页面图片交给视觉模型，小模型可能答错。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

gai_document_qa.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
预训练语言模型（非字符级） `base`	`model.pretrained_lm`	模型 = "Qwen/Qwen3-0.6B"; 本地模型文件夹(可选) = ""; 缺少模型时允许下载 = false; 下载渠道 = "modelscope"; 上下文 token 数 = 4096; 系统提示(空=默认) = ""
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "这份资料中的实验用了多少个样本？准确率是多少？请引用原文片段，不要推测。"; 附件文件(可选) = "data/document_reading_demo.md"; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → answer.predictor

各节点的参数说明

预训练语言模型（非字符级） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。
缺少模型时允许下载 allow_download: 参数“缺少模型时允许下载”。
下载渠道 download_source: 参数“下载渠道”。
上下文 token 数 context_length: 参数“上下文 token 数”。
系统提示(空=默认) system_prompt: 参数“系统提示(空=默认)”。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：图表问答：Qwen3-VL LoRA 微调

让视觉语言模型读取柱状图的三个季度数值，并指出最高季度。LoRA（低秩适配）只训练少量附加参数，保留原模型。附4张训练图和2张独立验证图，仅演示训练、保存、续训与读图推理，不保证几条样本就提升能力。模型请在模型管理中下载；微调比读图推理更耗显存。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

vlm_chart_lora.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
视觉语言模型（读图与问答） `base`	`model.pretrained_vlm`	模型 = "Qwen/Qwen3-VL-2B-Instruct"; 本地模型文件夹(可选) = ""; 上下文 token 数 = 4096
表格导入 `train_data`	`data.table_import`	文件路径 = "data/vlm_chart_train.csv"; 目标列 = ""
表格导入 `valid_data`	`data.table_import`	文件路径 = "data/vlm_chart_valid.csv"; 目标列 = ""
LoRA 监督微调 `lora`	`train.lora_lm`	轮数 = 1; 批量大小 = 1; 学习率 = 5e-05; LoRA 秩 = 8; 训练序列 token 上限 = 1024; 梯度累积步数 = 4; 图片路径列（视觉模型） = "image"; 图片根目录（可选） = ""; 单图像素上限（视觉模型） = 262144; 梯度检查点（视觉模型） = true; 随机种子 = 42
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "请按 Q1、Q2、Q3 顺序写出数值，并指出哪个季度最高。"; 附件文件(可选) = "data/vlm_chart/06.png"; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → lora.predictor
train_data.data → lora.train
valid_data.data → lora.valid
lora.predictor → answer.predictor

各节点的参数说明

视觉语言模型（读图与问答） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。
上下文 token 数 context_length: 参数“上下文 token 数”。

表格导入 · train_data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

表格导入 · valid_data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

LoRA 监督微调 · lora

轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
LoRA 秩 rank: 参数“LoRA 秩”。
训练序列 token 上限 sequence_length: 包含问题、图片和回答；视觉微调超长时提示调整，不截断图片。不能超过基础模型的上下文设置。
梯度累积步数 gradient_accumulation: 参数“梯度累积步数”。
图片路径列（视觉模型） image_column: Qwen3-VL 每行读取一张本地图片，问答列为 prompt/response 或 instruction/output。纯文字模型忽略此项。
图片根目录（可选） image_root: 图片相对路径以此目录为起点；留空时使用问答表所在目录，手动表使用工程目录。
单图像素上限（视觉模型） max_image_pixels: 262144 约等于 512×512；降低可节省显存，但可能看不清小字。
梯度检查点（视觉模型） gradient_checkpointing: 用额外计算换取更低显存；不是保存训练断点的开关。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：文档图片阅读：LoRA 字段提取微调

从模拟文档图片中读取编号、合计和状态，学习按固定字段回答。训练表每行包含图片路径、问题和期望回答；验证图未参加训练。这是图像文字读取练习，不是上传整篇论文就自动训练，也不保证未见版式的识别效果。需要本地 Qwen3-VL 模型。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

vlm_document_lora.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
视觉语言模型（读图与问答） `base`	`model.pretrained_vlm`	模型 = "Qwen/Qwen3-VL-2B-Instruct"; 本地模型文件夹(可选) = ""; 上下文 token 数 = 4096
表格导入 `train_data`	`data.table_import`	文件路径 = "data/vlm_document_train.csv"; 目标列 = ""
表格导入 `valid_data`	`data.table_import`	文件路径 = "data/vlm_document_valid.csv"; 目标列 = ""
LoRA 监督微调 `lora`	`train.lora_lm`	轮数 = 1; 批量大小 = 1; 学习率 = 5e-05; LoRA 秩 = 8; 训练序列 token 上限 = 1024; 梯度累积步数 = 4; 图片路径列（视觉模型） = "image"; 图片根目录（可选） = ""; 单图像素上限（视觉模型） = 262144; 梯度检查点（视觉模型） = true; 随机种子 = 42
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "读取文档图片，按编号、合计、状态三个字段回答；状态保留英文。"; 附件文件(可选) = "data/vlm_document/06.png"; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → lora.predictor
train_data.data → lora.train
valid_data.data → lora.valid
lora.predictor → answer.predictor

各节点的参数说明

视觉语言模型（读图与问答） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。
上下文 token 数 context_length: 参数“上下文 token 数”。

表格导入 · train_data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

表格导入 · valid_data

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

LoRA 监督微调 · lora

轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
LoRA 秩 rank: 参数“LoRA 秩”。
训练序列 token 上限 sequence_length: 包含问题、图片和回答；视觉微调超长时提示调整，不截断图片。不能超过基础模型的上下文设置。
梯度累积步数 gradient_accumulation: 参数“梯度累积步数”。
图片路径列（视觉模型） image_column: Qwen3-VL 每行读取一张本地图片，问答列为 prompt/response 或 instruction/output。纯文字模型忽略此项。
图片根目录（可选） image_root: 图片相对路径以此目录为起点；留空时使用问答表所在目录，手动表使用工程目录。
单图像素上限（视觉模型） max_image_pixels: 262144 约等于 512×512；降低可节省显存，但可能看不清小字。
梯度检查点（视觉模型） gradient_checkpointing: 用额外计算换取更低显存；不是保存训练断点的开关。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：视频问答：运动方向 LoRA 微调

让 Qwen3-VL 看短视频，回答方块向上、下、左还是右移动。每段均匀抽取8帧并保留时间信息，训练语言侧 LoRA（少量附加参数）。附4段训练视频和2段验证视频，只演示流程，不保证微调后更准确；不读取音轨，也不生成视频。基础模型在模型管理中下载。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

video_motion_lora.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
视觉语言模型（读图与问答） `base`	`model.pretrained_vlm`	模型 = "Qwen/Qwen3-VL-2B-Instruct"; 本地模型文件夹(可选) = ""; 上下文 token 数 = 4096
表格导入 `train`	`data.table_import`	文件路径 = "data/video_motion_train.csv"; 目标列 = ""
表格导入 `valid`	`data.table_import`	文件路径 = "data/video_motion_valid.csv"; 目标列 = ""
视频问答 LoRA 微调 `lora`	`train.lora_video`	目标总轮数 = 1; 批量大小 = 1; 学习率 = 5e-05; 每段视频采样帧数 = 8; 训练序列 token 上限 = 2048; LoRA 秩 = 8; 视频路径列 = "video"; 视频根目录（可选） = ""; 单帧像素上限 = 65536; 梯度累积步数 = 4; 梯度检查点 = true; 随机种子 = 42
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "视频中的方块向哪个方向移动？"; 附件文件(可选) = "data/video_motion/06.avi"; 回答 token 上限 = 256; 图像生成步数 = 25; 图像随机种子 = 42

base.predictor → lora.predictor
train.data → lora.train
valid.data → lora.valid
lora.predictor → answer.predictor

各节点的参数说明

视觉语言模型（读图与问答） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。
上下文 token 数 context_length: 参数“上下文 token 数”。

表格导入 · train

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

表格导入 · valid

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

视频问答 LoRA 微调 · lora

目标总轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
每段视频采样帧数 num_frames: 按时间均匀抽帧，不读取音轨；短暂事件可能遗漏。
训练序列 token 上限 sequence_length: 参数“训练序列 token 上限”。
LoRA 秩 rank: 参数“LoRA 秩”。
视频路径列 video_column: 参数“视频路径列”。
视频根目录（可选） video_root: 参数“视频根目录（可选）”。
单帧像素上限 max_image_pixels: 参数“单帧像素上限”。
梯度累积步数 gradient_accumulation: 参数“梯度累积步数”。
梯度检查点 gradient_checkpointing: 参数“梯度检查点”。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。

案例配置：文生图：几何图案 LoRA 微调

用白底彩色方块、圆形和英文描述，微调 BK-SDM-Tiny 的文生图能力，再尝试未参与训练的颜色与形状组合。只训练 UNet（预测图像噪声的网络）的 LoRA 附加参数；损失不是画质评分。6张小图仅供流程演示，不能保证学会新风格。基础模型另行下载，生成时保留安全检查。

完成前面的操作后，可以用下面的表逐项核对案例。表中列出软件附带工程的节点、参数和连线；参数值说明这个案例怎样设置，不表示它适合所有数据，也不是对预测效果的保证。先运行原例，再每次只改变一项设置，便于判断结果为什么变化。

image_pattern_lora.bml 在彼图·机器学习中打开案例工程文件

节点	组件标识	参数
扩散模型（文字生成图片） `base`	`model.pretrained_imagegen`	模型 = "nota-ai/bk-sdm-tiny"; 本地模型文件夹(可选) = ""
表格导入 `train`	`data.table_import`	文件路径 = "data/image_pattern_train.csv"; 目标列 = ""
表格导入 `valid`	`data.table_import`	文件路径 = "data/image_pattern_valid.csv"; 目标列 = ""
文生图 LoRA 微调 `lora`	`train.lora_imagegen`	目标总轮数 = 1; 批量大小 = 1; 学习率 = 5e-05; 训练图片边长 = 256; LoRA 秩 = 4; 图片路径列 = "image"; 图片描述列 = "caption"; 图片根目录（可选） = ""; 梯度累积步数 = 4; 梯度检查点 = true; 随机种子 = 42
多模态问答与生成 `answer`	`predict.multimodal`	问题或图像描述 = "a green square centered on a white background"; 附件文件(可选) = ""; 回答 token 上限 = 256; 图像生成步数 = 15; 图像随机种子 = 42

base.predictor → lora.predictor
train.data → lora.train
valid.data → lora.valid
lora.predictor → answer.predictor

各节点的参数说明

扩散模型（文字生成图片） · base

模型 model_id: 参数“模型”。
本地模型文件夹(可选) model_dir: 参数“本地模型文件夹(可选)”。

表格导入 · train

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

表格导入 · valid

文件路径 path: CSV/TSV/Excel/Stata/SPSS 文件（阶段 2 起读取）
目标列 target: 监督学习的标签列名；留空时自动识别 target/label/y/类别等常见列名

文生图 LoRA 微调 · lora

目标总轮数 epochs: 对整个训练集进行完整遍历的次数。
批量大小 batch_size: 每次参数更新一次所使用的样本数量，越小越省内存但波动越大。
学习率 learning_rate: 优化器每次更新参数的步长，过大易震荡、过小收敛慢。
训练图片边长 resolution: 64 的倍数；图片等比例中心裁剪成正方形。
LoRA 秩 rank: 参数“LoRA 秩”。
图片路径列 image_column: 参数“图片路径列”。
图片描述列 caption_column: 参数“图片描述列”。
图片根目录（可选） image_root: 参数“图片根目录（可选）”。
梯度累积步数 gradient_accumulation: 参数“梯度累积步数”。
梯度检查点 gradient_checkpointing: 参数“梯度检查点”。
随机种子 seed: 随机数种子，固定后每次运行结果可复现。

多模态问答与生成 · answer

问题或图像描述 prompt: 文本生成的起始提示文本，留空则自动选取种子。
附件文件(可选) attachment_path: 参数“附件文件(可选)”。
回答 token 上限 max_new: 参数“回答 token 上限”。
图像生成步数 image_steps: 参数“图像生成步数”。
图像随机种子 seed: 随机数种子，固定后每次运行结果可复现。