在扩散模型微调中选择 LoRA 秩需要在生成质量与计算成本之间取得平衡。我们在 CIFAR-10 数据集上使用 DDPM U‑Net 进行受控实验，分别测试了秩 {2,4,8,16,32}，保持优化超参数不变，并采用可复现的本地文件夹 pytorch-fid 评估流程。实验记录了 FID、可训练参数数量、运行时间以及 GPU 显存占用。
随后，我们在更高预算的设置下进一步验证趋势：对 DDPM 进行 20 轮训练（秩 4/8/16）以及在 Tiny DiT 主干上进行 10 轮训练（秩 4/8/16）。结果显示，适中的秩最具效率：秩 4 在 DDPM 上取得最佳 FID 124.1380，秩 8 紧随其后（124.2136），而更高的秩虽增加了适配成本，却仅带来有限的性能提升。
这些实验表明，在固定的训练预算下，选择小到中等的 LoRA 秩（如 4 或 8）是实用的默认配置。
点评：本文提供了系统化的实验数据，帮助研究者在资源受限的场景下快速确定 LoRA 秩的取值，避免盲目追求更高秩而导致成本浪费。