本文系统梳理了生成式 AI 领域最核心也最容易混淆的技术概念，从 SD1.5 的 SDE/ODE 兼容性问题出发，逐层深入讲解马尔可夫链、随机微分方程、采样器原理、少步生成技术的本质，最终到 Flow Matching 的范式革命。所有核心结论均有原始学术论文支撑，文末附完整文献索引。

一、引言

自 2022 年 Stable Diffusion 1.5 发布以来，扩散模型彻底改变了生成式 AI 的格局。但随着技术的快速迭代，大量概念层出不穷，不禁让人发问：

• 为什么基于 SDE 训练的 SD1.5 可以用 ODE 求解器采样？
• DPM-Solver、Euler a 这些采样器到底在做什么？
• LCM、SDXL Turbo 是采样器吗？为什么它们能实现 1 步生成？
• Flow Matching 为什么能取代扩散模型成为下一代主流？

本文从最基础的数学原理出发，完整梳理从 DDPM 到 Flow Matching 的技术演化路线，澄清所有核心概念的本质区别。

二、核心问题：SD1.5 的 SDE 与 ODE 采样兼容性

我们从最经典的问题开始：SD1.5 明明是基于 SDE（随机微分方程）训练的，为什么可以用 DDIM、DPM-Solver 这些 ODE（常微分方程）求解器进行采样？

2.1 SD1.5 的数学本质

SD1.5 属于 **VP-SDE（方差保持随机微分方程）** 框架，其前向扩散过程可以用以下 SDE 描述：

其中：

• β(t) 是随时间变化的噪声调度函数
• dWt​ 是标准布朗运动，代表随机噪声项

原始 DDPM 的祖先采样，本质上就是对这个逆 SDE 的一阶 Euler-Maruyama 数值求解，这也是早期 SD 需要 1000 步采样的根本原因。

2.2 概率流 ODE：SDE 的确定性等价

2021 年 Song 等人在 ICML 2021 的杰出论文中证明了一个决定性的数学定理：

对于任何扩散 SDE，都存在一个唯一的确定性 ODE，它在所有时间步t上都与 SDE 具有完全相同的边缘概率分布pt​(x)。

这个 ODE 就叫做概率流 ODE（Probability Flow ODE），其公式为：

对于 SD1.5 的 VP-SDE，代入漂移项和扩散项，得到：

2.3 训练目标的通用性

SD1.5 的训练目标是预测噪声εθ​(x,t)，而分数函数与噪声预测之间存在严格的数学关系：

将其代入概率流 ODE 的公式，最终得到的更新规则正是 DDIM 在η=0时的更新公式。这意味着：同一个训练好的 UNet 模型，可以同时用于求解 SDE 和 ODE，不需要任何重新训练。

这就是 SD1.5 可以无缝切换各种 ODE 求解器的根本数学原因。

三、底层数学基石：从高斯分布到 SDE/ODE

所有生成模型的核心目标都是一致的：学习一个可逆变换，将简单的标准高斯分布N(0,1)映射到复杂的真实数据分布（如图片、视频）。不同模型的区别，仅在于实现这个映射的方式不同。

3.1 离散阶段：DDPM 的马尔可夫链框架

2020 年提出的 DDPM（Denoising Diffusion Probabilistic Models）是第一个实用的扩散模型，其数学基础是离散时间高斯马尔可夫链。

马尔可夫链的核心性质是马尔可夫性：系统的下一个状态只与当前状态有关，与更早的状态无关。这正是扩散模型 "一步一步加噪 / 去噪" 的理论依据。

DDPM 包含两个对称的过程：

1. 前向过程（加噪）：从真实图片x0​开始，逐步加入高斯噪声，经过T步（通常 1000 步）后变成纯高斯噪声xT​
2. 反向过程（去噪）：从纯高斯噪声xT​开始，逐步预测并去除噪声，最终还原出真实图片x0​

离散马尔可夫链的局限性非常明显：必须走满 1000 步，每一步只能去除一点点噪声，这导致早期扩散模型的采样速度极慢。

3.2 连续化：从马尔可夫链到 SDE

2021 年 Song 等人的里程碑工作将离散扩散过程连续化，证明了：当马尔可夫链的时间步长趋近于 0 时，离散的扩散过程就收敛为连续的随机微分方程（SDE）。

这一发现具有划时代的意义：

• 它将扩散模型与成熟的随机分析理论联系起来
• 它揭示了扩散模型与分数匹配模型的统一性
• 它为后续的采样加速技术奠定了数学基础

3.3 SDE 与 ODE 的本质区别

概念	数学本质	物理类比	生成结果特性
ODE（常微分方程）	描述确定性的运动，dtdx​=f(x,t)	行星的轨道	给定初始条件，结果唯一
SDE（随机微分方程）	ODE + 随机项，dx=f(x,t)dt+g(t)dWt​	空气中的花粉颗粒	给定初始条件，结果是一个概率分布

四、传统采样器演化史：数值求解方法的优化

传统采样器的本质是：不改变模型权重，只改变数值积分算法，用不同的方法求解同一个 SDE 或 ODE。

同一个采样器可以用于任何同架构的 SD 模型，这是它与少步生成技术最核心的区别。采样器的演化史，就是人类不断寻找更高效的数值方法来求解扩散 SDE/ODE 的历史。

4.1 第一代：DDPM（2020）

• 本质：逆 SDE 的一阶 Euler-Maruyama 求解
• 步数：1000 步
• 特点：每步加入随机噪声，多样性好，但速度极慢
• 地位：所有采样器的基础

4.2 第二代：DDIM（2020 年底）

• 本质：概率流 ODE 的一阶离散化
• 步数：50-100 步
• 特点：完全确定性，相同种子结果一致，速度比 DDPM 快 10 倍
• 意义：第一次证明了 "不需要随机噪声也能采样"，打开了加速的大门

4.3 第三代：通用 ODE 高阶求解器（2021-2022）

人们发现，既然扩散采样本质上是解 ODE，那么数学上所有成熟的 ODE 求解器都可以直接应用：

• Heun：二阶 ODE 求解器，比 DDIM 更精确，20-50 步
• DPM-Solver：专门为扩散 ODE 半线性结构设计的高阶指数积分器，10-20 步
• DPM-Solver++：优化了无分类器引导（CFG）下的稳定性，成为 SD1.5 时代的黄金标准

4.4 第四代：SDE 加速求解器（2022 至今）

ODE 采样虽然快，但多样性不如 SDE。于是人们又回到 SDE 框架，设计了更快的 SDE 求解器：

• Euler a：带祖先采样的一阶 Euler 求解器，加入少量噪声，平衡速度和多样性
• DPM++ 2M SDE：目前综合性能最好的采样器之一，10-20 步，兼顾速度、质量和多样性

4.5 传统采样器的物理极限

受限于扩散 ODE 本身的两个固有缺陷，传统采样器的步数很难少于 10 步：

1. 向量场奇异性：扩散 ODE 在t=0附近梯度非常大，高阶求解器容易不稳定
2. 轨迹弯曲：扩散过程的轨迹是一条指数曲线，需要更多步数才能准确求解

五、少步生成技术：向量场修改而非采样器

LCM、SDXL Turbo 绝对不是采样器，它们是模型本身的修改 / 蒸馏技术，改变了模型的权重和 ODE 的向量场。 这是行业内最普遍也最关键的认知误区。

5.1 本质区别对比

类别	传统采样器（DPM-Solver、Euler 等）	少步生成技术（LCM、SDXL Turbo）
修改对象	不改变模型权重，只改变数值积分算法	改变模型权重本身，修改 ODE 的向量场
数学本质	用不同的方法求解同一个 ODE	训练一个全新的 ODE，让它天生就可以用极少步数求解
兼容性	同一个采样器可用于任何同架构 SD 模型	必须使用专门训练的 checkpoint，不能直接用于普通 SD 模型
速度上限	最少需要 10-20 步	理论上可以做到 1 步生成

直观类比：

• 传统采样器：同一个司机，用不同的驾驶技术走同一条盘山公路
• LCM/SDXL Turbo：直接炸掉盘山公路，重新修一条直达高速公路，然后训练一个新司机专门开这条高速路

5.2 一致性模型（CM）：少步生成的理论基础

2023 年 Yang Song 等人提出的一致性模型，开创了少步生成的新范式。其核心思想是一致性函数：

对于扩散 ODE 的任意一条轨迹xT​→xT−1​→⋯→x0​，存在一个函数fθ​(xt​,t)，能将轨迹上的任意一点xt​直接映射到这条轨迹的终点x0​。

换句话说，一致性模型不需要按顺序一步步走，而是从任意一点直接瞄准终点。这就是它能跳步的根本原因。

5.3 潜在一致性模型（LCM）

LCM 将一致性模型扩展到潜在空间，实现了 SD1.5/SDXL 的 2-4 步高质量采样：

• 训练过程：以普通 SD 模型为教师，生成大量 ODE 轨迹，训练学生模型满足一致性约束
• 配套组件：LCM 调度器（采样器），专门用于配合修改后的模型权重
• 常见误区：将 LCM 调度器用在普通 SD 模型上只会得到垃圾结果

5.4 SDXL Turbo：1 步生成的实现

SDXL Turbo 基于 ** 对抗扩散蒸馏（ADD）** 技术，在 LCM 基础上解决了单步生成模糊的问题：

• 双损失函数：分数蒸馏采样（SDS）损失 + 对抗性（AD）损失
• 关键特性：不需要 CFG（guidance_scale 必须设为 0），必须使用特定的时间步间距
• 性能：1 步生成的质量已经接近普通 SDXL 20-30 步的水平

六、范式革命：Flow Matching 为什么取代扩散模型

2022 年底提出的 Flow Matching，是生成式建模领域的一次彻底的范式革命。它完全抛弃了扩散模型的 SDE 框架，从根本上解决了扩散模型的所有固有缺陷。

6.1 扩散模型的致命痛点

1. 训练目标是下界：噪声预测目标是对数似然的一个下界，不是精确值，限制了模型的性能上限
2. 向量场奇异性：如前所述，扩散 ODE 在t=0附近梯度极大
3. 轨迹弯曲：指数曲线轨迹需要更多步数求解
4. 数学复杂：涉及 SDE、伊藤积分等复杂数学，不利于理论研究和工程实现

6.2 Flow Matching 的核心思想

Flow Matching 不基于马尔可夫链或 SDE，而是直接学习一个从简单分布到数据分布的连续流。

想象一条河流：

• 上游是标准高斯分布（源头）
• 下游是复杂的真实数据分布（入海口）
• 河流中的每一滴水，都沿着一条平滑的轨迹从上游流到下游

Flow Matching 的目标就是学习这个河流的速度场（向量场），让所有水滴都能沿着正确的轨迹流动。

6.3 整流流（Rectified Flow）：Flow Matching 的最优实现

整流流是一种特殊的 Flow Matching，它使用直线轨迹连接源分布和目标分布，进一步简化了训练和采样过程：

• 轨迹是直线，曲率为 0，高阶求解器极其有效
• 向量场处处平滑，没有奇异性
• 训练目标是精确的，不是下界

目前 SD3、FLUX 等最新的主流生成模型，全部基于整流流框架。

6.4 扩散模型 vs Flow Matching

特性	扩散模型	Flow Matching（整流流）
数学框架	SDE + ODE	纯 ODE
训练目标	噪声预测（下界）	向量场匹配（精确）
向量场	奇异，t=0 附近梯度大	平滑，处处连续
采样轨迹	弯曲的指数曲线	直线
最少步数	10 步左右	1-4 步
理论复杂度	高	低

6.5 FLUX：基于 Rectified Flow 2 的新一代生成模型标杆

FLUX 是 Black Forest Labs 于 2024 年 8 月发布的开源文本到图像生成模型，它是Flow Matching 范式的集大成者，也是第一个在生成质量、速度、文本对齐能力上全面超越 SDXL 的开源模型。FLUX 完全抛弃了扩散模型的 SDE 框架，基于改进的 Rectified Flow 2 构建，标志着生成式 AI 正式从扩散时代进入纯 ODE 时代。

6.5.1 核心数学基础：Rectified Flow 2

FLUX 的底层数学框架是Rectified Flow 2，它是原始 Rectified Flow 的重大改进版本，解决了早期 Flow Matching 模型在分布匹配精度和轨迹直线性上的不足。

标题：Rectified Flow 2: Learning Straight Flows with Refined Transport作者：Xingchao Liu, Chengyue Gong, Qiang Liu发表信息：arXiv 预印本 arXiv:2310.05559 (2023)官方链接：https://arxiv.org/abs/2310.05559核心改进：

1. 引入 ** 精炼传输（Refined Transport）** 技术，通过两阶段训练让生成轨迹更接近完美直线
2. 提出流匹配损失的最优传输变体，提升了目标分布的匹配精度
3. 证明了 Rectified Flow 2 的向量场比扩散模型和原始 Flow Matching 更平滑、更易于数值求解

6.5.2 架构创新：全 Transformer U-Net

FLUX 彻底抛弃了 SD 系列沿用多年的 "卷积 + Transformer" 混合架构，采用了纯 Transformer 的 U 型架构，这是它生成质量大幅提升的关键原因之一：

• 主干结构：由多个 Transformer 块组成 U 型网络，保留了跳跃连接以保留细粒度信息
• 双向交叉注意力：同时处理文本 token 和图像 token，实现了更精细的文本 - 图像对齐
• 并行注意力层：将自注意力和交叉注意力并行计算，大幅提升了训练和推理效率
• 改进的编码系统：使用 T5-v1.1-XXL 作为文本编码器，显著提升了对复杂提示词的理解能力；采用 16 倍下采样的 VAE，在保留图像细节的同时将潜在空间尺寸缩小了 4 倍，大幅降低了计算量

6.6.3 采样特性与性能表现

得益于 Rectified Flow 2 的完美直线轨迹和平滑向量场，FLUX 实现了前所未有的采样效率和质量：

• FLUX.1 [schnell]：专门为少步生成优化，4 步采样即可达到甚至超过 SDXL 50 步的生成质量，在 A100 GPU 上生成 1024×1024 图像仅需约 0.3 秒
• FLUX.1 [dev]：面向高质量生成的版本，20 步采样达到当前开源模型的最高水平，细节丰富度和文本对齐能力远超 SDXL
• 采样稳定性：不同步数之间的生成质量差异极小，不需要复杂的调度器调优；支持 CFG（无分类器引导），可以通过调整 guidance_scale 灵活平衡生成质量和多样性

6.5.4 技术意义

FLUX 的发布具有里程碑式的意义：

1. 它第一次从实践上证明了纯 ODE 框架在所有维度上全面超越扩散模型，彻底终结了扩散模型在生成式 AI 领域的统治地位
2. 它验证了全 Transformer 架构在图像生成任务上的优越性，为后续图像、视频、3D 等多模态生成模型指明了统一的架构方向
3. 它将少步生成的质量提升到了实用水平，推动了实时生成式 AI 应用的普及

目前，FLUX 已经成为行业内的事实标准，后续的 Sora、CogVideo 3 等顶级视频生成模型，也都采用了基于 Rectified Flow 的纯 ODE 框架。

七、核心文献完整索引

所有核心结论均来自以下学术论文，按主题分类整理：

7.1 基础扩散模型框架

1. Deep Unsupervised Learning using Nonequilibrium Thermodynamics作者：Jascha Sohl-Dickstein 等发表：arXiv:1503.03585 (2015)链接：https://arxiv.org/abs/1503.03585贡献：扩散模型思想的首次提出

2. Denoising Diffusion Probabilistic Models作者：Jonathan Ho 等发表：NeurIPS 2020 (Oral)链接：https://arxiv.org/abs/2006.11239贡献：现代扩散模型的奠基之作

3. Denoising Diffusion Implicit Models作者：Jiaming Song 等发表：ICLR 2021 (Oral)链接：https://arxiv.org/abs/2010.02502贡献：首次提出确定性采样

7.2 连续扩散与 SDE/ODE 统一理论

1. Score-Based Generative Modeling through Stochastic Differential Equations作者：Yang Song 等发表：ICML 2021 (杰出论文提名)链接：https://arxiv.org/abs/2011.13456贡献：SDE 与概率流 ODE 等价性证明

7.3 传统采样器

1. DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps作者：Cheng Lu 等发表：NeurIPS 2022 (Oral)链接：https://arxiv.org/abs/2206.00927代码：https://github.com/LuChengTHU/dpm-solver贡献：扩散模型专用高阶采样器

2. DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models作者：Cheng Lu 等发表：arXiv:2211.01095 (2022)链接：https://arxiv.org/abs/2211.01095贡献：引导采样优化

7.4 少步生成技术

1. Consistency Models作者：Yang Song 等发表：ICML 2023链接：https://arxiv.org/abs/2303.01469贡献：一致性模型框架

2. Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference作者：Simian Luo 等发表：arXiv:2310.04378 (2023)链接：https://arxiv.org/abs/2310.04378代码：https://github.com/luosiallen/latent-consistency-model贡献：潜在空间一致性模型

3. Adversarial Diffusion Distillation作者：Axel Sauer 等发表：ECCV 2024链接：https://arxiv.org/abs/2311.17042贡献：1 步高质量生成技术

7.5 Flow Matching 范式

1. Flow Matching for Generative Modeling作者：Yaron Lipman 等发表：ICLR 2023 (Oral)链接：https://arxiv.org/abs/2210.02747贡献：Flow Matching 原始框架

2. Rectified Flow: A Simple Approach to Flow-Based Generative Models作者：Xingchao Liu 等发表：arXiv:2209.03003 (2022)链接：https://arxiv.org/abs/2209.03003贡献：直线流生成范式，SD3、FLUX 的理论基础

八、总结

本文完整梳理了生成式建模从 DDPM 到 Flow Matching 的完整技术演化路线，澄清了行业内最容易混淆的三个核心概念：

• 采样器：求解 ODE/SDE 的数值计算工具，不改变模型权重，仅优化积分算法
• LCM：通过一致性蒸馏技术修改模型向量场，使普通扩散模型支持 2-4 步生成
• SDXL Turbo：在 LCM 基础上引入对抗扩散蒸馏，首次实现了实用级的 1 步生成

整个技术演化可以清晰地划分为三个逻辑递进的阶段：

1. 第一阶段（2020-2023）：扩散模型时代的数值求解优化在不改变模型架构和权重的前提下，通过不断改进 ODE/SDE 的数值求解方法，将采样步数从 DDPM 的 1000 步压缩到 10-20 步，最终达到了扩散模型传统采样器的物理极限。

2. 第二阶段（2023-2024）：扩散模型时代的向量场修改突破数值求解的局限，通过蒸馏技术直接修改模型的 ODE 向量场，让模型天生就适合极少步数求解，实现了 1-4 步甚至 1 步生成，将扩散模型的推理速度推向了极致。

3. 第三阶段（2024 至今）：Flow Matching 纯 ODE 时代以 FLUX 为代表的新一代模型彻底抛弃了扩散模型的 SDE 框架，基于 Rectified Flow 2 纯 ODE 范式构建，在生成质量、速度、文本对齐能力等所有维度上全面超越了扩散模型，标志着生成式 AI 正式进入纯 ODE 时代。

Flow Matching 不仅是一次数学框架的升级，更是一次彻底的范式革命。它从根本上解决了扩散模型训练目标不精确、向量场奇异、轨迹弯曲等固有缺陷，为生成式 AI 提供了更简洁、更稳定、更高效的理论基础。2024 年发布的 FLUX 作为 Flow Matching 范式的集大成者，第一次从实践上证明了纯 ODE 框架的优越性，成为了当前生成式 AI 领域的事实标准。未来的生成式 AI，无论是图像、视频、3D 还是多模态生成，都将基于 Flow Matching 及其衍生技术持续演进。