这点很重要。文本条件不是生成结束后再筛选图片，也不是只在开头给一个标签。在文本到图像扩散模型中，文本条件会参与多次去噪步骤。当前这一步去噪，应该往哪个方向更符合文本描述？这也是为什么 prompt 会强烈影响生成结果。正向过程：把真实图片一步步加噪，直到接近纯噪声。反向过程：训练模型从带噪图片中预测噪声，并逐步恢复图像。条件生成：把文本 embedding 注入 U-Net，让去噪过程朝 prom

CLIP是一种突破性的多模态模型，通过对比学习将图像和文本映射到同一语义空间，实现了跨模态的语义对齐。其核心在于用自然语言替代传统分类标签，使模型从学习固定类别转变为理解开放语义关系。CLIP采用双编码器结构，分别处理图像和文本，并通过计算余弦相似度实现图文匹配。训练过程中，模型通过大规模互联网图文对学习区分正负样本，从而建立泛化能力更强的视觉-语言关联。这种能力不仅支持零样本分类，还为后续生成模

摘要：本文介绍了使用musubi-tuner项目对qwen-image模型进行全量微调的方法。

Transformer是一种用于自然语言处理（NLP）和其他任务的深度学习模型，由Vaswani等人在2017年的论文《Attention is All You Need》中首次提出。它主要通过注意力机制而非传统的循环神经网络（RNN）或卷积神经网络（CNN）来处理序列数据。