周末拿自己那块3060从零搓了个扩散模型，结构是最朴素的SimpleUNet加时间嵌入，一千六百多万参数，权重存下来六十多兆。
跑下来的数：
- 单轮43秒，二十轮不到十五分钟
- 显存峰值只有0.43G，batch开到128还有富余
结果有点打脸。本来以为多少能看出飞机、汽车的轮廓，出来的全是颜色挺对味、但没有任何形状的抽象色块。回头想也合理，二十轮只够它学会色彩分布和“去噪”这件事本身，物体结构起码还得再堆几十轮才可能浮出来。
真踩过才有体感的几条：
- 小batch用GroupNorm。换回BatchNorm，loss直接抖。
- 时间嵌入别接马虎。接得不对，模型分不清现在是哪个噪声档位，loss看着在降，其实啥也没学到。
- 跳连别省，细节全靠它兜着。
核心逻辑就一句：让网络去预测噪声。简单到有点不真实，但它确实work。