> ## Content Index
> Fetch the complete content index at: https://binnn.top/llms.txt
> Use this file to discover other available public pages before exploring further.

# P-JiT 的像素空间训练：中间读出、噪声课程与能力限制
- URL: https://binnn.top/pjit-pixel-space-training/
- Published: 2026-11-06T06:12:42.000Z
- Updated: 2026-11-06T07:17:21.000Z
- Description: Linum 披露了文生图模型的中间监督、噪声课程与分辨率切换方法。这次训练被定位为实验性概念验证，文字生成和复杂场景仍有明确限制。
- Author: Sunbin 编辑部
- Tags: AI 技术实践, 训练与微调, #sunbin-auto, #sunbin-newsroom

项目实践 · www.linum.ai · 原文日期 2026-11-04

## 面向视频模型的概念验证

Linum 将这次文生图训练定位为下一代视频模型之前的概念验证，并以实验版本发布。团队表示，考虑到模型规模，生成效果超出了他们的预期。这是作者对自身结果的判断，不能据此认定模型已经获得独立的质量验证。

## 用低分辨率预测监督中间层

作者把中间图像预测作为加强监督的手段：在像素空间中，主干的各个模块都预测最终图像的某种版本，因此可以让较早的模块先预测低分辨率图像，为网络前部补充梯度信号。团队称，这种设计有助于加快收敛。

## 先学结构，再扩大噪声分布

训练采用随进程变化的噪声课程。早期让样本集中于高噪声区域，目的是先学习基本结构；之后扩大噪声分布，让模型学习更细的图像内容。这是团队此次采用的训练安排，文中的这段说明没有单独量化它对最终效果的贡献。

## 升高分辨率时重建优化器

进入更高分辨率阶段时，团队从上一阶段的指数移动平均权重继续训练，重新建立优化器，并提高噪声尺度。作者报告，此时总体损失上升，图像质量却快速改善；他们将损失变化归因于更高的噪声，以及高分辨率下精确还原细节的要求。

## 文字与复杂场景的限制

团队明确表示，训练集过滤了含渲染文字的图像，因此模型不能用于写字或生成海报。作者还列出全身人物、多实体、多人互动和世界知识方面的困难，并说明这些场景偶尔能够生成正确；这种偶发成功不足以说明相关能力已经稳定。

原始标题：Training a Text-to-Image Model for $21K  
[来源：www.linum.ai](https://www.linum.ai/field-notes/pjit-21k?ref=binnn.top)