扩散模型（Diffusion Model）
科普速读
- 它是什么： 扩散模型通过去噪过程学习生成样本。
- 适合什么场景： 生成图像、音频、视频和其他结构化数据。
- 主要边界： 结果逼真，不代表场景真实发生。
概览
提示词可以引导模型从随机噪声逐步生成图像。图像可能很细致，但模型生成的是样本，不是事件记录。
核心定义
扩散模型学习逐步去除噪声的过程，以生成符合训练数据特征的样本。
背景与发展
扩散概率模型研究表明，反复去噪可以生成复杂样本。后续系统把这种方法用于图像和其他数据类型。
工作机制（How It Works）
训练时，系统向样本逐步加噪，并让模型学习逆转这一过程。生成时，模型从噪声开始，多次预测噪声更少的样本。提示词可以影响每一步。
在软件测试与开发中的应用
团队可以生成界面草稿或视觉测试用的合成图像。检查图中文字、物体数量、布局和边界场景是否符合预期。
优势与局限
多步去噪能根据提示词生成多样且细致的样本。模型可能弄错文字和空间关系，结果也受模型、采样器和提示词影响。
与相近术语对比
扩散模型通常通过多步去噪生成内容；自回归模型按序预测下一个 token 或片段。系统也可以组合这两种方法。
实施建议（Best Practices）
把生成媒体当作草稿，检查关键细节；需要复现结果时，记录模型和提示词版本。
常见误区（Pitfalls）
不要把视觉逼真当作事实准确、来源可靠或拥有使用权的证明。
FAQ
扩散模型生成的图片是真实事件记录吗？
不是。它根据学到的模式生成样本；来源和事实都要单独核实。