Bongard问题是苏联计算机科学家Mikhail Bongard提出的。从20世纪60年代，他致力于研究模式识别，并且设计了100个这样的谜题，使之成为评判模式识别能力的一个好基准。而且这些谜题对人和算法都具有挑战性。举个简单例子：
我们可以从两组图像当中得到一组相互对应的概念 ：平均和差异
我们在训练过程中，地域概念性物体的理念是其实相对较难，好比让模型能够理解其中的语义的含义，而不是某种具备具象化要求的客观实体。例如我们尝试在训练过程中去训练母亲这个概念，无论我们数据上收集的数据多么全面，但是模型还是很难对于这一概念进行学习。母亲这个概念在一方面代表一种伦理关系，同时也代表一种血脉联系，一种基因上的联系。血脉联系在具象化表征上表示二者在表征上具备一定的相似程度，同时限定母亲这个是女性。伦理关系上很难从表征上的去判定一个人是否为一个母亲，我们对于女性是否为母亲的判定一方面来自于社会规律的判断，同时也来自于其是否拥有儿女的事实进行判断。简单而言就从外表而言任何外表和你想近的女性都可以判定为你的母亲。因为在概念上对于模型训练过程中，这一关系则很难被模型在训练过程中训练且被抽象化提取。
画风在我们认知当中是一种抽象化概念，实际上画风可以被拆解为多个具象化要求从而被训练。色彩、笔触、使用技法、素材元素，这些部分可以算作是作为一种画风组成的元单元进行组合，这和我们使用关键词对于画面内容进行控制的过程很像，只不过结果是相反的。
我们训练过程中训练的实际上是一种像素分布方式和规律，一种概念对应的是一种像素分布反射方式，但是对于大小、均等化这一类的概念问题事有终像素分布的相对概念，需要从更大的感受野当中对于画面当中的元素进行比较，sd的lora训练过程依旧并不能从语义从或者从画面整体的情景当中对于这一概念进行理解，所以现在很难对于这一概念类的lora进行训练。
lora训练的概念事实上需要对于图像的具象化表征进行分类和提取的过程，训练lora前需要将训练目标进行具象化要求进行拆分。拆分结构应该遵循从大到小的过程。
bongard问题实际上是指深度学习模型在进行图像分类任务时，如何从原始像素数据中提取出抽象的概念或特征，这些特征能够有效地区分不同的物体或场景。这个问题引起了人们对于深度学习模型内部工作原理的关注，以及它们如何学习并表示图像中的信息。在模型的训练过程中，理想情况下，模型会自动学习到对于任务最有用的特征，但实际上，人们常常需要设计合适的网络结构和训练策略，以促使模型学习到有意义的特征表示。