做文生图后训练，你到底是在练「画得好」，还是在练「听得懂」？
这个问题是我最近啃后训练越啃越清楚的。文生图说白了就是模型读懂你那句自然语言描述，再照着意图出一张质量够高的图。这几年它算是这个领域最扎眼的突破之一，大家的注意力也多半落在生成效果上。可真轮到自己做后训练，卡住的地方根本不在会不会生成，而在它能不能明白你要的到底是什么。
所以我现在把这两件事拆开：文本理解一条线、图像质量一条线，各自评估，数据也分别对齐，不往一个 loss 里一起糊。原因也简单，混在一起训，指标涨了你说不清是哪边在涨，掉了更没法定位，调数据等于蒙着眼。拆开之后起码能分出问题是「没听懂」还是「画不好」，再回头补对应那边的数据，心里有数得多。
眼下最头疼的是风格和多样性打架，风格一练强，多样性就往下掉。数据配比怎么控、风格过拟合怎么防，同样在做后训练的朋友欢迎来聊聊你们的做法。