标签: 多模态

沿着真实 H100 实验读懂声音分类、音文对齐、音频压缩与 ASR，并解释为何小样本 LoRA 可能越训越差。

用 Qwen3-TTS 的三轮真实案例解释 EOS、token 上限、双 ASR 评价和分段成本，保留分段有效与失效的完整证据。

用真实时序消融、Wan VAE、Wan2.1/2.2 生成与 LoRA 强度案例，理解视频模型结构、训练流程及代理指标的边界。

从两组 decoder 训练都选择 step 0，到一点、框与错误反馈的真实对照，理解提示歧义与候选上限。