01

60 秒回答模板

我会先说明 Diffusion 采样的共同目标：训练时模型学会在不同噪声水平预测噪声或干净样本，推理时从高斯噪声沿反向轨迹一步步还原图像。不同采样方法主要是在“怎么走这条反向轨迹”和“用多少步走完”上取舍。DDPM 类采样更接近随机马尔可夫反向过程，稳定但步数多；DDIM 把采样改成非马尔可夫、可确定性的路径，可以用更少步保持较好结构，常用于可复现和加速。DPM++ 把反向过程看成扩散 ODE/SDE 的高阶数值求解，用更准确的 solver 在较少步数下提高质量。LCM 和 Turbo 这类方向更偏蒸馏或一致性加速，把多步教师模型压缩成少步甚至极少步生成，速度快，但可能损失细节、提示词遵循和稳定性。工程上不能说哪个永远最好：高质量出图可以用更多步和稳健 solver，交互预览可以用 LCM/Turbo，最终要用同一 prompt 集比较清晰度、结构、文本一致性、失败率、延迟和成本。

考点 共同目标
难度 真实面经题
回答目标 让候选人能从反向去噪轨迹出发，讲清 DDIM、DPM++、LCM、Turbo 的机制差异和质量-速度工程取舍。
02

深入解析

01

采样本质是反向去噪轨迹

Diffusion 训练阶段让模型在不同时间步学习从带噪样本中预测噪声、干净样本或速度项。推理阶段从随机噪声出发，按照时间步逐渐降低噪声强度。采样器决定的是每一步如何利用模型预测更新样本，以及要用多少步完成从噪声到图像的反向轨迹。

02

DDIM 强调少步和确定性路径

DDIM 的重要特点是可以构造非马尔可夫的采样过程，在某些设置下同一个初始噪声和条件会得到确定性结果。它通常比传统随机多步采样更容易压缩步数，也方便做重建、插值和可复现实验。代价是步数过少或参数不合适时，细节和多样性会下降。

03

DPM++ 是 solver 视角的加速

DPM++ 这类方法可以从数值求解角度理解：把反向扩散过程写成 ODE/SDE，再用更高阶或更稳定的求解器更新样本。它的优势是在中低步数下更好地逼近反向轨迹，常用于质量优先但又不能接受大量步数的出图。回答时要强调 solver 精度、步数、噪声调度和 guidance 强度会共同影响效果。

04

LCM 代表一致性蒸馏加速

LCM 的思路不是单纯换一个更新公式，而是通过一致性或蒸馏训练，让模型学会用很少的跳步从噪声状态直接到更干净的状态。它适合交互式预览、实时编辑、批量草图探索等速度敏感场景，但在复杂 prompt、精细纹理和稳定一致性上通常需要额外评估。

05

Turbo 类方法追求极少步生成

Turbo 通常可以理解为把标准扩散模型的多步生成能力进一步压缩到极少步的加速模型或加速工作流。它的价值是低延迟和低成本，特别适合快速预览；风险是模型可能更依赖训练分布和蒸馏质量，复杂构图、文字、手部、局部细节或风格遵循可能不如多步高质量采样稳。

06

工程评估不能只看采样器名称

同一个采样器在不同模型、步数、scheduler、CFG/guidance、分辨率和 prompt 难度下表现会不同。工程选型应固定模型和测试集，比较主观质量、文本一致性、结构稳定性、失败率、延迟、吞吐和成本。高质量最终图、批量生成、在线交互和移动端预览可能会选择不同采样策略。

03

易错点

  • 把 DDIM、DPM++、LCM、Turbo 只背成名字，没有说明它们分别改变采样路径、solver 或模型蒸馏。
  • 声称某个采样器永远最好，忽略模型、步数、scheduler、guidance 和 prompt 难度的影响。
  • 把 LCM/Turbo 说成无损加速，没有提醒少步蒸馏可能带来的细节、文本一致性和稳定性损失。
  • 只比较单张样例，不用固定 prompt 集、随机种子、分辨率和指标做公平评估。
  • 把采样速度等同于端到端体验，忽略队列、VAE 解码、后处理、上传下载和安全审核耗时。
  • 把通用采样方法说成淘天内部使用方案；来源只支持面试题问到 Diffusion 优劣和采样方法原理。
04

面试官追问

DDIM 和 DDPM 的核心区别是什么？

DDPM 更接近随机马尔可夫反向采样，步数通常较多；DDIM 构造了非马尔可夫采样路径，可以在确定性设置下用更少步生成，并保持较好的结构一致性。

DPM++ 为什么常被认为少步质量更好？

因为它把反向扩散过程当作连续动力系统求解，用更合适的数值 solver 逼近轨迹。相比简单一步步更新，高阶或稳定求解器在中低步数下更可能保留结构和细节。

LCM 和普通采样器的差别在哪里？

普通采样器主要改变推理更新规则，LCM 更依赖一致性或蒸馏训练，让模型本身学会少步跳转。因此它速度快，但质量上限和泛化能力要看蒸馏数据和训练质量。

采样步数越多一定越好吗？

不一定。步数增加通常能提高稳定性和细节，但收益会递减，还可能在高 guidance 或不合适 scheduler 下引入过饱和、纹理异常或时间成本过高。

在线图像生成服务怎么选择采样策略？

可以分层：交互预览用少步 LCM/Turbo，高质量确认图用 DPM++ 或更稳健的多步设置，批量任务按成本和失败率优化。核心是基于真实 prompt 集和延迟预算做评估。