在人工智能领域，图像生成模型的训练规模与数据配比一直是困扰研究者的难题。尽管语言模型领域已有DeepMind提出的"Chinchilla法则"作为行业标准——每个参数匹配20个训练token，但图像生成领域始终缺乏类似的科学依据。Luma AI团队通过大规模实验发现，图像扩散模型的最优配比竟高达每个参数200个图像token，是语言模型的十倍之多。
研究团队耗时数月，动用从10^19到10^22 FLOPs三个数量级的算力，训练了涵盖6000万至20亿参数的ABRA模型家族。这项系统性研究首次证实，图像生成领域存在与语言模型截然不同的缩放规律。实验数据显示，当每个参数匹配200个图像token时，模型性能达到最优平衡点，这一结论在多种拟合方法验证下误差不超过±17。
图像训练的复杂性远超文本处理。研究指出，图像数据的二维特性导致训练损失曲线波动剧烈，某次训练步骤的损失变化可能比真实学习进度大4-7倍。为解决这个问题，团队采用指数移动平均（EMA）技术对模型权重进行平滑处理，相当于给生长曲线安装"降噪滤波器"，从而准确捕捉模型的真实学习轨迹。
实验揭示了一个反直觉现象：图像生成模型对"过度训练"具有惊人耐受性。当训练数据量翻倍时，模型性能损失不足0.5%，而同等条件下的语言模型性能损失显著更高。这种不对称性意味着，在算力有限的情况下，优先扩大数据集比增加模型参数更有效。研究比喻称，这就像备考学生多准备复习资料几乎无害，但资料不足必然导致考试失利。
生成质量评估指标呈现分化特征。FID和KID指标要求数据增长速度远超模型参数，而CLIPScore和CMMD指标则相反。这种矛盾表明，单一指标无法全面衡量生成质量。研究还发现，模型的最优引导参数（CFG）随规模扩大而系统性下降，暗示强大模型逐渐具备自主判断生成内容的能力。
扩散模型的副产品能力引发新发现。线性探针实验显示，模型在训练过程中自动习得的图像理解能力，其最优数据配比显著低于生成能力。研究估算，当算力预算达到5×10^23 FLOPs、模型参数超过60亿时，生成与理解能力的最优配比将趋于一致。这为多模态模型设计提供了重要参考。
"缩放塌缩"现象为训练监控提供新工具。不同规模模型的训练损失曲线在归一化处理后，会在训练初期迅速收敛到相同轨迹。这种一致性可作为诊断工具，当实际曲线偏离标准轨迹时，提示模型配比可能偏离最优区间。该发现使工程师能够实时调整训练策略，避免算力浪费。
分辨率对训练数据的需求呈现独特规律。随着分辨率从256像素提升至768像素，最优TPP从165增至247，但所需图片数量反而下降。这表明高分辨率训练本质上是算力密集型任务，制约因素在于计算资源而非数据量。研究团队形象地指出："训练高分辨率模型就像用更多颜料描绘同一幅画，需要的是更强大的画笔而非更多画布。"
