亮度偏移扫 9 档、每档 12 个种子：两端 12/12 全崩（平均亮度 0.033 和 0.967）， 中间 -0.6 到 +0.6 全部通过；对比度从中间的 0.253 掉到两头的 0.074。
上一节把多个模型合成一个。这一节是交付前最后一步——拿它真跑一批，看输出能不能用。 教材用的案例是生成 AI 画作。
一、离线指标管不了「输出能不能用」
训练时盯的是损失和验证集准确率。这些数字只回答一个问题：模型对这批数据拟合得怎么样。 它不回答「出来的东西对不对」。 生成类任务上这个差距特别大。损失降了，图可能结构崩坏、手指多一根； 文本生成里损失降了，可能开始重复同一句话。 所以必须真跑一批、看产出。这一步没法用单个数字概括，只能先定崩坏判据，再批量统计。 顺序上也不能反：先跑了才知道该怎么定判据。凭想象定的阈值，十有八九会误判掉一批好图。
二、AI 画作这个案例为什么典型
输出是图，没有唯一正确答案，不能算「对了几个」。这是生成任务和分类任务最根本的区别。 但崩坏的类型其实很有限：过曝（一片白）、死黑（一片黑）、一片灰（没有对比度）、 结构散掉（该画人画成椅子）。 前三种都能用统计量抓：平均亮度抓过曝和死黑，标准差（对比度）抓一片灰，边缘密度辅助看结构。 第四种抓不到。统计量只能说明「图上有没有明暗变化」，说明不了「明暗变化是不是一个人」。 所以流程必须分两层：统计量粗筛 + 人工复看。
三、实测：扫参数，找可用区间
Demo 扫了 9 档亮度偏移，每档 12 个种子，一共 108 张。 判据是平均亮度跑出 0.05 到 0.95，或者对比度低于 0.02。 -0.7 那档平均亮度只有 0.033，整张图死了黑，细节全被压到 0； +0.7 那档是 0.967，过曝，全被截到 1。两档都是 12/12 全崩。 中间的 -0.6 到 +0.6 七档，每档都是 0/12——一张都没坏。可用区间就是 -0.6 到 +0.6。 对比度那一列呈明显的倒 U 形：0 附近最高 0.253，两头掉到 0.074。 因为截断把明暗差直接砍掉了，这比「亮度太高」更能说明图废了。 所以判据要两条一起看。只看亮度会漏掉「灰蒙蒙一片」那种崩坏——它的亮度完全正常，就是没内容。
四、这套流程能替代什么，不能替代什么
能替代的是「人工快速过一遍」这件事。 人工看 108 张要半小时以上，算统计量不到一秒，而且不会疲劳、不会漏。 替代不了的是判断内容对不对。该画人画成椅子、该有六个手指画成七个，统计量一点反应都没有。 也不能把它当质量分用。统计量正常的图可能毫无美感，也可能完全偏离提示词。 它筛的是「技术上坏掉」，不是「不好看」。 最重要的产出其实不是那些数字，是可用参数区间。有了区间，上线时才敢把这个参数开放给别人调； 没有区间，一调就可能批量出废图。
五、动手 Demo：批量测试：扫 9 档亮度偏移，两端 12/12 全崩
用「两个正弦叠乘加噪声」造 64 × 64 的程序化纹理当生成结果，亮度偏移从 -0.7 扫到 +0.7 共 9 档， 每档跑 12 个种子；对每张算平均亮度、对比度（标准差）、边缘密度，按判据统计崩坏率。
for sh in shifts:
for sd in range(12):
im = gen(sd, sh) # 生成一张
mb = float(im.mean())
ct = float(im.std()) # 对比度
bad = mb > 0.95 or mb < 0.05 or ct < 0.02
实跑输出：
--------------------------------------------------------------------
批量测试：按统计指标筛掉崩坏的生成结果
--------------------------------------------------------------------
生成方式 64 × 64 程序化纹理（两个正弦叠乘加噪声），不是真模型出图
扫描参数 亮度偏移从 -0.7 扫到 +0.7，每个档位跑 12 个种子
崩坏判据 平均亮度高于 0.95、低于 0.05，或对比度低于 0.02
亮度偏移 平均亮度 平均对比度 边缘密度 崩坏张数 崩坏率
--------------------------------------------------------------
-0.7 0.033 0.074 0.018 12 / 12 100%
-0.6 0.062 0.110 0.028 0 / 12 0%
-0.5 0.103 0.147 0.040 0 / 12 0%
-0.3 0.233 0.208 0.063 0 / 12 0%
+0.0 0.500 0.253 0.080 0 / 12 0%
+0.3 0.767 0.208 0.063 0 / 12 0%
+0.5 0.897 0.147 0.040 0 / 12 0%
+0.6 0.938 0.110 0.028 0 / 12 0%
+0.7 0.967 0.074 0.018 12 / 12 100%
有崩坏的档位 -0.7、+0.7
全部通过的档位 -0.6、-0.5、-0.3、+0.0、+0.3、+0.5、+0.6
可用区间 -0.6 到 +0.6
两头的崩坏原因不一样。**-0.7 那一档平均亮度只有 0.033**，整张图死了黑，细节全被压到 0；**+0.7 那一档是 0.967**，过曝，全被截到 1。
对比度那一列呈明显的倒 U 形：0 附近最高（0.253），两头掉到 0.074。因为截断把明暗差直接砍掉了——这比「亮度太高」更能说明图废了。
所以真正的判据是两条一起看：亮度跑出 0.05 到 0.95，或者对比度掉到 0.02 以下。只看亮度会漏掉「灰蒙蒙一片」这种崩坏。
这套做法的价值不在指标本身，在**把「好不好看」拆成了可批量检查的数**。人工看 120 张图要半小时以上，算统计量不到一秒，而且不会疲劳、不会漏。
但它的边界要讲清：这三个量只能筛掉「技术上坏掉」的图（过曝、死黑、一片灰），筛不掉「技术上正常但内容不对」的图——比如该画人却画了个椅子。
所以真实流程是两层：先用统计指标粗筛掉明显崩坏的，再人工看剩下的。这样人工量能砍掉一大截。
这里我用的是程序化纹理，不是真模型出图——沙箱里没有图像生成模型。所以表里具体的亮度数值没有参考意义，有意义的是**这套筛查流程**：定崩坏判据、扫参数、统计崩坏率、找可用区间。
崩坏率只有 0% 和 100% 两种值，中间没有过渡。 因为在两端都是硬截断——所有超过 1 的值全变 1，整张图的信息一次丢光，不存在「崩一半」。 对比度比亮度更早报警：-0.6 那档亮度 0.062 已经贴到 0.05 的边，对比度 0.110 还离 0.02 很远。 说明亮度是这个场景下的主导判据。 反过来在「内容崩坏」上，两个判据都不灵。这也是为什么必须留人工这一层。 这里我用的是程序化纹理，不是真模型出图——沙箱里没有图像生成模型。 所以表里具体的亮度数值没有参考意义，有意义的是这套筛查流程：定崩坏判据、扫参数、统计崩坏率、 找可用区间。
30 秒实验
- 把对比度阈值从 0.02 抬到 0.10，看中间几档会不会被误判成崩坏。
- 把每档的种子数从 12 降到 3，看崩坏率还稳不稳。
- 想一想：为什么「亮度正常但对比度极低」也该算崩坏？
常见误区
- 「损失降了就说明模型能用」——损失只反映拟合，不反映产出质量。
- 「统计量正常就是好图」——只说明技术上没坏，不说明内容对。
- 「试三张没问题就能上线」——样本太少，崩坏率估不准，边界参数尤其危险。
自测三问（点开对答案）
1. 为什么生成任务必须真跑一批，不能只看离线指标？ —— 离线指标只说明拟合程度，不说明产出对不对，而生成任务没有唯一正确答案。 2. 平均亮度和对比度分别抓哪种崩坏？ —— 亮度抓过曝和死黑，对比度抓「一片灰」这种没有明暗差的情况。 3. 这套批量筛查替代不了什么？ —— 判断内容对不对——结构崩坏、偏离提示词这类问题统计量看不出来。第九章讲完评估和优化。下一章换个角度：模型训好了，怎么管、怎么部署上线。
- ☐ （本章完，下一节 10.1.1 流程1：模型的开发与管理）