評估結果如下，這是按照生成的數據進行訓練並進行測試給出的結果:

下面是評估結論

- 閱讀剩餘部分 -

下面將每筆資料透過 _to_chat_text(...) 組成 ChatML 風格輸入

def _to_chat_text(tokenizer, instruction, user_input, output=None):
    """組成 ChatML 訓練 / 推理文本。output 為 None 時只到 assistant 起始。"""
    messages = [{"role": "user", "content": f"{instruction}\n\n文本：{user_input}"}]
    if output is not None:
        messages.append({"role": "assistant", "content": output})
        return tokenizer.apply_chat_template(messages, tokenize=False)
    return tokenizer.apply_chat_template(
        messages, tokenize=False, add_generation_prompt=True
    )

- 閱讀剩餘部分 -

我們將使用 Qwen2.5-1.5B 加上 QLoRA 進行情緒語句的訓練與測試，原本的參數量來説 0.8B 模型就必須 12.8GB vram（全量微調），需要在消費級顯卡上進行測試，那麽就必須將參數量降下來，所以我們將在這裏使用 QLoRA 進行訓練推理，QLoRa 可以將 4bytes 降到 0.5bytes，并且凍結梯度、優化器狀態。

全量微調

所以 0.8B × 16 = 12.8 GB，結果就是消费级顯卡（4080/16GB）連 1.5B 全量微調都做不到。

- 閱讀剩餘部分 -

將之前做的產圖寫一份報告

整個 pipeline 拆成三層：

• 訓練端（kohya_ss + 自製多姿勢 base img2img）
• 出圖端（ComfyUI A+B+F workflow：LoRA → Hi-Res Fix → FaceDetailer）
• 操作端（Streamlit 角色管線）。

資料源是單一 YAML，從外觀 prompt、表情、CG 階段、LoRA，檔名全部寫在一處，下游全靠 loader 拼裝。

- 閱讀剩餘部分 -

成員推斷攻擊（Membership Inference Attack）

目標： 判斷某筆資料是否曾經出現在模型的訓練集中。

攻擊原理&手段

模型對於訓練過的資料會表現出「過度自信」——因為見過這筆資料，所以預測時損失更低、信心度更高。

攻擊者輸入一筆資料 x
        ↓
查詢模型輸出（機率分佈、損失值、logits）
        ↓
觀察信心度是否異常高？損失是否異常低？
        ↓
推斷：x 是否在訓練集中？

- 閱讀剩餘部分 -