一致性模型（consistency models）

擴散能產生絕美的樣本，卻得付出數十到數百次網路求值的代價，因為它沿著一條從雜訊到資料的長軌跡前進。一致性模型把整條軌跡壓縮成單一函數：從任一雜訊層級的任一點，它一步就預測出通過該點之軌跡終點的乾淨資料。如果某條軌跡上的每個點都映到同一個終點，那麼特別地，純雜訊就直接映到一個樣本，於是你一步就生成完成。

其定義性約束是自我一致性：模型的輸出必須沿機率流 ODE 的每一條解軌跡保持不變，並有一個邊界條件把最小雜訊層級的輸出釘在恆等映射上。訓練以兩種方式落實這點：一是蒸餾，沿著預訓練擴散教師生成的 ODE 軌跡，匹配模型在相鄰點上的輸出；二是從頭做一致性訓練，使用軌跡的無偏估計。所得模型仍支援一個少步精修迴圈，以一點算力換取更高品質，在一步與完整擴散之間插值。

一致性模型是擴散延遲問題的領先解答，能在一次或數次求值下達到接近擴散的品質，並與整流流、漸進蒸餾並列為快速取樣器的幾大家族。