小区门口那家陶艺馆，老师傅第一句话通常是「别想着烧出博物馆那件，先给自己烧个能用的杯子」。MiniDog 这篇论文的气质一模一样：它教你在四张 3090 上花一个小时，把一个只认狗脸的文生图模型从预训练到微调全走一遍——而且它自己在摘要里明说，We do not claim technical novelty（不宣称技术新颖性）。这种开场白在今天的 arXiv 上比 FID 数字还稀罕。
它开场就把动机说得很直白：大家都以为训文生图模型需要重算力——这话只对想冲前沿的人成立，但它把初学者挡在了门外。于是 MiniDog 把整条流水线缩到「一小时十五分钟」：预训练 200 轮 55 分钟，微调 100 轮 15 分钟。它赌的是「先让一个人完整跑通一遍」，而不是「让模型达到某个水平」——这是教学法里最古老的那招：允许抄近路，但不允许跳步。【直引】
我核了原文（arXiv 2610.18870，v1 发于 10-13、v2 隔天就更新，四位作者，Liang Zheng 组），补五个帖子里没有的数。
它是教学论文，而且已经中了 NeurIPS 2026 Education Track——这是 abs 页 comments 里写着的，帖子没提。对一篇「教你入门」的论文来说，这个去向比任何指标都说明问题：同行评议认可的是它的教学法，不是它的 loss。【直引】
帖子只给了时间，论文里还有一串成绩：最好那套配方（E2E-INVAE 分词器、128 token 描述、iREPA 加速、EUPE 感知编码器）拿到 gFID 8.32；SFT 之后 HPSv2 0.2427、PickScore 19.61，都是在 500 个留出 prompt 上平均的。gFID 的参考集也老实：拿全部 26k 张真实预训练图当参照，再用同一批 prompt 生成 26k 张，两堆图对算。另外单卡 3090 也能跑：预训练约 3 小时、微调 21 分钟。「四张卡一小时」和「一张卡三小时」之间差的不是钱，是大多数人愿不愿意等。【推论】
它的数据配方也值得抄：预训练用 ImageNet 的 26k 张狗图（自己标注描述），微调用 FLUX.1-schnell 生成的 2k 张。用一个前沿模型给学生模型造教材——这在教育论文里是个体面的做法，比硬凑人工标注便宜，也比直接蒸馏隐蔽。【判断】
效率那部分还有个常被忽略的机关：它把图像和文本特征预计算并缓存，训练时直接用。文生图训练的大头经常不在网络本身，而在编码器和 VAE 反复前向，这一刀砍的正是那里。所谓「55 分钟」，一半功劳要记给缓存。【直引】
对得上的一格：帖子说「22M 参数的小 transformer、小型 Qwen 文本编码器、上下文条件机制」，与摘要逐字一致；「26k 狗图加 2k FLUX 生成图」也对得上。这批采集帖里难得的一篇连数字都没漂。【判断】
下一根钉子：换一个类别（比如猫或者车）重跑这套配方，gFID 会不会同量级——如果会，MiniDog 就该改名 MiniAnything 了。
为什么拿狗开刀也有讲究。狗这个类别形态差异极大——吉娃娃和大丹犬放在同一个 22M 模型里，等于逼着它在极小容量下学会「品种」这个高方差属性；同时狗脸在预训练语料里足够常见，文本编码器不用重训就能用。选它当教学对象，是拿一个「够难又不至于劝退」的科目给人练手。换成猫，我赌 FID 同量级；换成「抽象概念」，22M 这点家当就要见底了——这堂课真正教的是容量和数据的配比，不是狗。【判断】
仓库是开源的（github.com/Reyhaneesmailizadeh/MiniDog），评估侧把 FID、rFID、PSNR、SSIM、LPIPS、HPSv2、PickScore 全支持了。对学生来说，最后这排评估工具比模型本身更值钱——多数人训完第一个模型，恰恰死在「不知道怎么证明它训成了」。【直引】
说到底，这篇论文给这个领域提供的不是模型，是一个「完整的第一次」。初学者最大的流失环节从来不是学不懂公式，是第一个模型没训出来、或者训出来了不知道怎么评估。把预训练、微调、评估压缩到一小时，再把每一处选择都讲清楚为什么——这篇论文的产品形态，其实是一门课加一条跑道。NeurIPS Education Track 收它，收的大概正是这个。【判断】
给想上手的人一个优先级建议：先跑通它的评估流水线（FID、rFID、HPSv2、PickScore 全带），再动训练。多数人第一次训扩散模型，时间都花在「渲染出来一打鬼影然后不知道该改哪」——有评估在，至少知道鬼影是分布问题还是采样问题。这 55 分钟里，评估占的学费比模型值钱。【直引】
一句话总结：这是全批采集帖里唯一连数字都没漂的一篇，还顺手中了个 Education Track——认真的玩笑有，认真的入门也有。【判断】