扩散模型有那么多变体，怎么才能不被名字淹没？

用四维度替换框架。任何扩散变体本质都是在四个维度里换其中一两个：建模空间、噪声到数据的路径、网络主干、采样步数。读到新论文先问它换了哪一维。

流匹配是取代扩散的新东西吗？

不是取代，是同源。流匹配换的是噪声到数据的路径，从弯曲随机路径改成尽量直的确定路径，训练目标从预测噪声改成预测速度场，好处是采样步数更少。

离散扩散和普通扩散差在哪？

普通扩散在连续空间加高斯噪声，离散扩散把加噪换成按概率翻转成其他类别或吸收态，用于序列、图、分类变量的生成。

这一章和扩散模型导航页有什么区别？

导航页是模型清单速查，本章讲机制族的原理与取舍。本章不重复罗列模型，查具体模型清单去导航页。

扩散模型教程第5章：五大机制族

本章是系列第 5 章：把纷繁的扩散变体收编成五大机制族，讲清每族换了什么、代价是什么、何时该换。不罗列模型清单——那是导航页的活，本章讲原理与取舍。前置：第 2 章（DDPM 机制）、第 3 章（三式）。读完本章你会有一张”看到任何新扩散论文都能快速归类”的地图。系列内：具体模型清单见扩散模型导航；采样加速的实战调参见第 6 章训练与采样旋钮；隐空间扩散深入见隐空间扩散深入。

1. 本章目标与验收标准

学完本章，你应能在不看笔记的情况下完成下列自检：

说出”四维度替换”框架的四个维度，并用它归类任意一个扩散变体。
讲清连续高斯、离散、流匹配、少步蒸馏、几何等变五大机制族各自”换了什么”。
对流匹配、一致性模型，各说出”它换的是哪一维、代价是什么”。
解释为什么蛋白/分子生成必须用几何等变族，而不能直接套图像那套。
拿一个新论文标题，判断它大致属于哪一族、要付什么代价。

字数与深度定位：机制地图章（约 8500–12000 汉字）。不推导每族的完整数学、不罗列模型清单（去导航页）、不教具体实现。

2. 先建立一张地图：四维度替换框架

扩散模型的变体多到令人眩晕——DDPM、DDIM、Score SDE、EDM、D3PM、Flow Matching、Rectified Flow、Consistency Models、LCM、DiT、LDM、RFdiffusion……初学者最容易犯的错，是把每个名字当成一个独立的新模型去背。

正确的做法是建立一个”替换坐标系”。任何一个扩散变体，无论名字多花哨，本质都是在同一个基础框架（第 2、3 章讲的 DDPM 三式）上，换掉了四个维度里的一个或几个：

flowchart TB
Base["DDPM 基础框架<br/>加噪 → 去噪 → 采样"] --> D1["维度① 建模空间<br/>像素 / latent / 结构 / 图"]
Base --> D2["维度② 噪声→数据路径<br/>随机 SDE / 直线 ODE"]
Base --> D3["维度③ 网络主干<br/>U-Net / Transformer(DiT)"]
Base --> D4["维度④ 采样步数<br/>多步 / 少步 / 一步"]

四维度替换框架

维度	在换什么	代表性变化
① 建模空间	在什么空间上加噪去噪	像素 → latent（LDM）→ SE(3) 结构（RFdiffusion）→ 图（分子图扩散）→ 离散类别（D3PM）
② 路径	噪声到数据怎么走	弯曲随机 SDE（DDPM）→ 尽量直的确定 ODE（Flow Matching / Rectified Flow）
③ 主干	用什么网络去噪	U-Net（经典）→ Transformer（DiT）→ 等变网络（结构/分子）
④ 步数	采样跑几步	多步（DDPM 1000 步）→ 少步（DDIM 20 步）→ 一步（一致性模型、蒸馏）

这张表是本章的总纲。接下来讲的五大机制族，其实就是这四个维度上几种最重要的替换组合。学会这个框架后，你读任何新论文的第一个动作就变成：“它在这四维里换了哪几个？换的代价是什么？“——而不是”又一个要背的新模型”。

为什么恰好是这四个维度：你可能会好奇，为什么不是五个、六个维度？答案是：这四个正好对应扩散框架的四个可独立替换的模块——①建模空间决定”在哪里表示数据、加什么样的噪声”，②路径决定”噪声到数据的演化方程”，③主干决定”用什么网络拟合去噪函数”，④步数决定”采样时积分这条路径的离散化程度”。它们大体正交（换其中一个不强制改动另外三个），且覆盖了从数学建模到网络架构到采样策略的完整链条。当然你也可以细分出更多维度（比如把”条件注入方式”单列），但那样分类会过细、记忆负担反增——这四维是”粗细适中、实用性最强”的切分。

2.1 五大机制族与四维度的对应

先给一张”族 × 维度”的对照，后面逐族展开：

机制族	主要换了哪一维	一句话定位
连续高斯（DDPM/Score SDE 系）	都不换（基准族）	最成熟、生态最好，默认起点
离散扩散	① 建模空间（连续→离散）	序列 / 图 / 分类变量专用
流匹配 / Rectified Flow	② 路径（弯→直）	路径取直，采样更少步，SD3/Flux 在用
少步 / 蒸馏（一致性 / LCM）	④ 步数（多→一）	把多步压成 1–4 步，实时交互用
几何 / 等变	①③（结构空间 + 等变主干）	蛋白、分子 3D 生成的必选项

注意：这五族不是互斥的。一个真实模型常常同时属于多族——比如 Stable Diffusion 3 = 流匹配（②）+ latent 空间（①）+ DiT 主干（③）。四维度框架的价值正在于此：它让你能把一个复合模型拆解成”在每一维上的选择”，而不是当成一个不可分解的黑箱。

3. 机制族一：连续高斯扩散（基准族）

这是第 2、3 章讲的经典 DDPM 所属的族，也是所有其他族的参照系。理解它”没换什么”，才能理解别的族”换了什么”。

3.1 它的定位

建模空间：连续欧氏空间（像素、latent 向量、连续坐标）。
路径：高斯加噪，弯曲的随机路径（SDE 视角）。
主干：经典是 U-Net。
步数：训练 1000 步网格，采样 20–1000 步。

代表：DDPM、DDIM、ADM（Guided Diffusion）、EDM（Karras）、Score SDE。这些具体模型的清单在导航页，本章只需知道它们共享同一套连续高斯机制。

3.2 为什么它是”默认起点”

连续高斯族有三个别的族短期难以撼动的优势：

理论完备：离散马尔可夫链（DDPM）和连续 SDE（Score SDE）两套视角可以互相印证，数学基础最扎实（第 2 章 §8）。这一点值得多说一句——同一个连续高斯扩散，可以从两个完全不同的角度推导出来：一是把它看成”1000 步离散马尔可夫链”（DDPM 的原始视角，适合工程实现），二是把它看成”连续时间的随机微分方程”（Score SDE 视角，适合理论分析和设计高阶采样器）。两套视角得到的采样公式在极限下一致，互为验证。这种”多个独立推导殊途同归”的性质，是一个数学框架成熟稳固的标志，也是别的机制族短期难以追上的底气。
生态最好：diffusers 等主流框架的默认实现、绝大多数预训练权重、最多的教程和踩坑经验，都在这个族。
适配面最广：图像、隐空间、蛋白结构（配等变网络）、几乎所有连续型数据都能用。

一句话选择建议：不确定选什么时，从连续高斯族起步，尤其是配 latent 空间用（即 LDM）。等你明确遇到了它的软肋（太慢、数据是离散的、要 3D 等变），再考虑换族。

3.3 它的软肋，正是其他族的动机

连续高斯的软肋	催生了哪一族
采样多步、慢	少步 / 蒸馏族（§6）、流匹配族（§5）
只能处理连续数据	离散扩散族（§4）
U-Net 难 scale 到超大模型	DiT 主干（§7）
直接在像素上算力爆炸	latent 空间（LDM，§7）
不保证 3D 旋转平移等变	几何等变族（§8）

这张表把整章串起来了：后面每一族，都是在解连续高斯族的某一个具体痛点。

举两个具体例子帮你内化这张表：

蛋白骨架生成（RFdiffusion）：蛋白是 3D 结构、整体旋转不改变意义——连续高斯的”不保证等变”这一软肋在这里是致命的，必须换到几何等变族。同时蛋白的原子数多、直接在坐标上扩散算力爆炸，所以 RFdiffusion 还换了建模空间（在 SE(3) frame 上而非裸坐标），解决了”算力爆炸”那条软肋。这是两个软肋同时命中、两个维度同时替换的例子。
Stable Diffusion：图像生成本身连续高斯族够用，但”512×512 像素直接扩散算力爆炸”——所以 SD 换了建模空间（先 VAE 压到 64×64 latent 再扩散），解决算力问题的同时保留了连续高斯族的成熟生态。它没换路径（仍是经典 SDE/ODE）、没换主干（SD 1.x/2.x 仍是 U-Net），只在空间这一维做了替换——这正是”四维度正交”的体现。

4. 机制族二：离散扩散（换建模空间的数据类型）

4.1 换了什么

连续高斯扩散的前提是”数据在连续空间、能加高斯噪声”。但很多生物数据是离散的：

氨基酸序列（20 种氨基酸的类别序列）；
分子图（原子类型是离散类别、键是离散的存在/类型）；
DNA/RNA 序列（4 种碱基）；
任何分类变量。

对离散数据，“加一点高斯噪声”根本无从谈起——你没法给”丙氨酸”这个类别加 0.3 的高斯扰动。离散扩散换的就是”加噪”这个操作本身：

前向加噪：不是加高斯，而是按概率把当前类别翻转成其他类别，或翻成一个特殊的”吸收态 / 掩码态”。走到最后，整条序列变成纯随机类别或全是掩码。
反向去噪：网络预测”这个位置原本最可能是哪个类别”，逐步把随机/掩码恢复成有意义的序列。

这里的”加噪”具体怎么实现，有两种主流设计，理解它们的差别能帮你读懂离散扩散论文：

均匀翻转（uniform）：每一步以某概率把当前类别随机换成任意其他类别，走到最后是”完全随机的类别序列”。类比连续高斯里的”加噪到纯噪声”。
吸收态 / 掩码（absorbing / masked）：每一步以某概率把当前类别换成一个特殊的 [MASK] 符号，且一旦变成 [MASK] 就不再改变（“吸收”），走到最后是”全 [MASK]”。反向去噪就是逐步把 [MASK] 填回真实类别——这和 BERT 式的掩码预测非常像，也是为什么很多离散扩散能复用语言模型的工程经验。

两种设计对应不同的转移矩阵（描述”类别 i 变成类别 j 的概率”的表），掩码式往往更好训、和现有 NLP 基建更兼容，是近年更常见的选择。

flowchart LR
subgraph 连续["连续高斯"]
  C0["真实向量"] -->|"加高斯噪声"| C1["带噪向量"] -->|"..."| C2["纯高斯噪声"]
end
subgraph 离散["离散扩散"]
  D0["真实序列 ACDEF"] -->|"按概率翻转类别"| D1["部分翻转 ACMEF"] -->|"..."| D2["纯随机/全掩码"]
end

连续 vs 离散扩散的加噪

4.2 代表与代价

代表：D3PM（离散去噪扩散概率模型）家族，以及各种序列/图上的离散扩散。具体清单见导航页 §3.4。

代价与取舍：

优点：离散约束天然满足——生成氨基酸序列不会冒出”半个氨基酸”，生成分子图化合价更容易合法。
代价：数学不如连续高斯优雅（转移矩阵的设计有很多选择），生态和预训练资源远少于连续族。
一个重要的对手：在序列生成上，离散扩散要和自回归模型（GPT 那套）竞争。很多任务上自回归更简单、更快、精度更高——所以离散扩散不是”离散数据的唯一选择”，而是”当你需要非自回归的、可并行的、可迭代精炼的离散生成”时的选项。

离散扩散 vs 自回归：何时该选哪个（这是生物序列生成里的真实决策）：

自回归模型（Transformer decoder 那套）的优势在于有明确因果链的序列任务——每个位置依赖前面的、有清晰的左到右顺序、监督信号充足。典型场景：给定蛋白骨架反推序列（ProteinMPNN）、给定上文续写氨基酸、RNA 设计（每个碱基配对约束清晰）。这些任务上自回归训练简单、推理快（一次前向几十 token）、精度高。

离散扩散的优势在于需要全局一致性、无明确因果顺序、或需迭代精炼的任务——比如分子图生成（所有原子/键要同时满足化学约束，没有”先生成哪个原子”的自然顺序）、多约束序列优化（要同时满足几个冲突目标，迭代修改比一遍生成更合理）、或者需要”部分重采样”（只改一段、其他不动）的场景。这时离散扩散的”可并行、可迭代、可部分去噪”价值才体现。

一句话判断：序列有清晰因果链 + 监督充足 → 先试自回归；需要全局约束或迭代精炼 → 离散扩散。生物里这两条路都活跃，不是”扩散一定更好”。

4.3 一个必须澄清的边界：ProteinMPNN 不是离散扩散

第 8 章讲过：RFdiffusion 产骨架后，序列由 ProteinMPNN 反推。ProteinMPNN 处理的是离散氨基酸，但它不是离散扩散——它是”消息传递 + 自回归解码”的监督模型。

这正好说明一件事：离散数据 ≠ 必须用离散扩散。当输出空间离散、监督信号明确、无需分布探索时（如给定骨架反推序列），一个自回归/监督模型往往比离散扩散更合适。这一点第 7 章”什么任务不该用扩散”里详细讲过。

5. 机制族三：流匹配 / Rectified Flow（换路径）

5.1 换了什么

这是 2024–2025 最热的一族——Stable Diffusion 3、Flux 都用了它。你会越来越频繁地撞见 “Flow Matching”、“Rectified Flow”、“velocity prediction” 这些词。

关键认知：它不是推翻扩散，而是换了一种”从噪声到数据的走法”。 用四维度框架看，它主要换的是维度②：路径。

维度	经典扩散（DDPM）	流匹配 / Rectified Flow
建模空间	像素 / latent / 结构	同
噪声→数据路径	随机 SDE、弯曲	直线 ODE、尽量取直
训练目标	预测噪声 ε	预测速度场 v（把噪声搬向数据的方向）
采样	多步 SDE / ODE 求解	少步 ODE 积分（路径更直 → 更少步）

5.2 为什么”路径取直”能少步

flowchart LR
subgraph 扩散["经典扩散：弯曲路径"]
  N1["噪声"] -.弯.-> M1["中间"] -.弯.-> DA1["数据"]
end
subgraph 流匹配["流匹配：尽量直"]
  N2["噪声"] --直--> DA2["数据"]
end

弯曲路径 vs 直线路径

直觉很简单：如果从噪声到数据的路径是一条弯弯曲曲的曲线，你用大步长的数值积分去走，很容易”冲出弯道”、积累误差，所以必须走很多小步。如果路径接近直线，那用很少几步、甚至一大步，都能走得很准。

流匹配的训练目标就是学一个速度场——在每个时刻、每个位置，告诉你”往哪个方向走、走多快”才能把噪声搬到数据。Rectified Flow 更进一步，用 “reflow” 技巧反复把路径拉直，最终可以做到极少步甚至一步采样。

把”速度场”这个词说得更具体一点：想象噪声空间里的每个点都是一滴水，数据分布是它们最终要流到的湖。速度场就是一张”水流地图”，告诉每一滴水在每个时刻该朝哪个方向、以多快速度移动。经典扩散学的是”这里有多少噪声”（预测 ε），流匹配学的是”这里的水该往哪流”（预测 v）——两者信息等价，但速度场的视角天然对应”沿一条路径积分”，而积分一条直路径显然比积分一条弯路径省步数。这也解释了为什么第 2 章讲的 v-prediction 是通向流匹配的桥：v 本身就是一种”速度”参数化。

5.3 代价与和扩散的关系

代价与取舍：

优点：路径更直 → 采样步数更少；训练目标（回归速度场）和扩散一样稳定；理论上和扩散同源（都是连续时间的生成过程），可以共享大部分工程基建。
代价：生态和生物领域基线还在追赶——绝大多数已发表的分子/蛋白/组学模型仍是连续高斯族,流匹配在生物领域还处于早期。这不是说流匹配在生物上不work（已有一些蛋白/分子的流匹配论文），而是说生态成熟度差距：连续高斯族有 RFdiffusion/AlphaFold/FrameDiff 这些经过大规模验证的基线、有明确的调参经验、有可复现的预训练权重；流匹配在生物上还处于”论文概念验证”阶段，缺少大规模基线和社区共识。如果你在做生物扩散且时间紧，先从连续高斯族起步是更稳的选择；如果你在做研究且愿意踩坑，把流匹配搬到蛋白/分子上是个有价值的方向。
和扩散的关系：同源而非对立。流匹配可以看成”用最优传输视角重新推导的扩散”，很多结论（条件注入、CFG）可以平移过来。第 2 章讲的 v-prediction，本身就是通向流匹配的一座桥。

一句话：如果你手上是连续高斯模型且苦于采样慢，流匹配是一个”换训练目标就能少步”的方向；但如果你的领域基线都还是 DDPM 系，别为了追新而冒然全换。

6. 机制族四：少步 / 蒸馏（换步数）

6.1 换了什么

这一族的目标非常明确——把多步采样压成 1–4 步，用四维度框架看就是换维度④：步数。

和第 6 章讲的采样加速（DDIM/DPM++）不同：那些是”不重训、只换采样代码”的加速，下限大约 10–20 步；而这一族是从训练/蒸馏阶段就重新设计，把步数压到个位数甚至 1 步。

两条主要路线：

蒸馏路线（Progressive Distillation、LCM、SDXL Turbo、Hyper-SD）：先有一个训好的多步”教师”模型，再训一个”学生”模型，让学生用 1–4 步复现教师几十步的效果。
重训路线（Consistency Models，一致性模型）：从头设计训练目标，让网络学会”从轨迹上任意一点，直接跳回终点（数据）“——所以采样时一步就能到位。

6.2 一致性模型的核心直觉

flowchart LR
subgraph 多步["扩散：沿轨迹逐步走"]
  A1["噪声"] --> A2["x_t"] --> A3["x_t'"] --> A4["数据"]
end
subgraph 一致["一致性模型：任意点直接跳终点"]
  B1["噪声"] -.一步.-> B4["数据"]
  B2["x_t"] -.一步.-> B4
  B3["x_t'"] -.一步.-> B4
end

多步扩散 vs 一致性模型

一致性模型的名字来自它的核心约束：轨迹上任意两点，都应该映射到同一个终点（这就是”一致性”）。网络学会这个映射后，采样时从纯噪声出发，一步就能跳到数据；想要更好质量，也可以走 2–4 步做少量精修。

蒸馏路线的师生关系也值得说清楚。以 Progressive Distillation 为例：先有一个训好的多步教师（比如走 1000 步），训一个学生模型，让它用 500 步复现教师 1000 步的输出；然后把这个学生当新教师，再蒸馏出 250 步的学生……如此反复减半，最终压到个位数步。LCM（Latent Consistency Model）则是把一致性思想直接用在 latent 空间的预训练扩散上，蒸馏出能 1–4 步出图的学生，是当前实时图像生成的主力之一。这两条路线（重训一致性模型 vs 蒸馏已有模型）的共同点是：都把”少步”这件事从采样阶段挪到了训练/蒸馏阶段解决。

6.3 代价与何时该用

代价与取舍：

优点：1–4 步出样，适合实时交互（边写 prompt 边看图）、超大批量高通量、移动端/端侧部署。
代价：需要重训或蒸馏，不是”换代码就能用”；蒸馏往往会损失一点多样性和细节（学生很难 100% 复现教师）；生物领域这些方法还在早期。

何时该考虑换少步族（第 3、7 章的心法）：

你已经有一个质量达标的多步模型，且采样吞吐成了真实瓶颈（比如百万级批量筛选、实时应用）；
你能接受”用一点质量/多样性换几十倍速度”的交易；
你有重训/蒸馏的算力和数据。

如果这些都不满足，先老老实实用连续高斯族 + DPM++ 采样（第 6 章），别为了少步而少步。

生物领域的现实：截至 2025，少步/一致性模型在生物领域还处于早期——绝大多数已发表的蛋白/分子/组学扩散模型仍是”连续高斯 + 50–200 步采样”。原因不是生物不需要少步（筛选百万候选时当然需要），而是这些方法的训练成本和质量损失在生物任务上是否划得来，还没经过充分验证。图像上 LCM/Turbo 能 4 步逼近教师 50 步、且质量可接受，但蛋白/分子的”质量可接受”标准更严（结构要物理合理、功能要可验证），少步模型在这些硬约束下能保留多少教师的多样性和可折叠性，仍是开放问题。如果你在生物领域做扩散，目前更稳妥的路径是：先把连续高斯族 + DPM++ 采样跑通（第 6 章），等少步族在生物基线上成熟了再迁移。当然，如果你正在做这个方向的研究（把一致性/蒸馏搬到蛋白/分子上），那你就是在填这个空白——但要做好”比图像更难”的心理准备。

7. 机制族的两个”正交”维度：主干与空间

流匹配和少步族换的是路径和步数。还有两个维度值得单独说，因为它们和上面几族正交——可以和任何一族组合。

7.1 换主干：DiT（Diffusion Transformer）

换了什么（维度③）：把去噪骨干从 U-Net 换成 Transformer。

核心思想：U-Net 的卷积有很强的局部性先验，但难 scale 到超大模型；Transformer 的可扩展性更好，scale 到大模型、大数据时收益明显。
代表：DiT，以及以它为基础的 Sora、SD3 等。
为什么 scale 收益明显：DiT 的原始论文做过系统实验——在 ImageNet 生成上，把模型从 0.3B 参数 scale 到 3B，FID（生成质量指标）持续改善、没有饱和；而同等参数的 U-Net 在 1B 左右就不再显著受益。背后原因是 Transformer 的”全局自注意力 + 无归纳偏置”架构，在大数据regime下能更充分利用容量，而 U-Net 的卷积和跳连已经把很多先验（局部性、层级）硬编码进去，大模型的额外容量无处发挥。这也是为什么 OpenAI 的 Sora（视频扩散大模型）选 DiT 而非 U-Net 3D 版——视频数据量巨大、需要极致 scale。
代价：小数据上从零训 DiT 容易过拟合，不如 U-Net 稳；Transformer 的算力和显存需求更高。
何时用：你有大规模数据和算力、想训一个能持续 scale 的大模型时。小数据场景 U-Net 仍是更稳的选择。

7.2 换空间：LDM（Latent Diffusion）

换了什么（维度①）：不在原始像素上扩散，先用 VAE 把高维数据压到低维 latent，再在 latent 上做扩散。

核心思想：512×512 图像压到 64×64 latent，算力降约 40 倍。这是 Stable Diffusion 的基础，也是”扩散能跑在消费级显卡上”的关键。
代价：依赖 VAE 编码质量；latent 空间不如像素直观；细节上限受 VAE 解码器限制。
和生物的关系：latent 扩散思路也被搬到蛋白（潜空间蛋白扩散）、单细胞（scVI 风格 latent + 扩散）——凡是”原始空间太高维”的地方，都可以先压再扩。

LDM 的完整设计（为什么先压缩再扩散、自编码器怎么设计、压缩率怎么权衡）在隐空间扩散深入有专门展开，本章不重复。

7.3 几何等变族：结构生成的必选项

换了什么（维度①③一起换）：建模空间换成 3D 结构（SE(3) frame 或原子坐标），主干换成等变网络。

这一族在第 8 章（蛋白、小分子 3D 生成）里详细讲过，这里只从”机制族”的角度定位：

为什么必须单独成族：蛋白、分子在 3D 空间里，整体旋转平移不改变物理意义。普通 U-Net/DiT 一旦旋转输入，输出全变。等变网络（SE(3)-Transformer、EGNN、IPA）保证”物理上等价的输入得到物理上等价的输出”。
代表：RFdiffusion（SE(3) 骨架扩散）、EDM/GeoLDM（分子 3D 扩散）。
代价：等变网络实现复杂、训练更难；建模空间的设计（坐标 vs frame vs 联合）直接影响质量（第 8 章讲过 SE(3) frame 为什么比裸坐标好）。
不可替代性：这是唯一一个”生物任务里没得选”的族——做 3D 结构生成，几何等变是硬要求，不是优化项。

为什么等变不能靠数据增广”凑”出来：有人会想，既然问题是”旋转输入输出就变”，那我训练时把每个样本随机旋转很多次、让网络”见过所有朝向”不就行了？这条路走得通但代价极高——你把本该由架构免费保证的对称性，转嫁成了对数据量和训练时间的巨大需求，而且只能做到”近似等变”（网络在没见过的朝向上仍可能出错）。等变网络把对称性直接焊死在架构里：无论输入怎么转，输出在数学上严格跟着转，一个样本顶数据增广的成千上万个旋转副本。对蛋白、分子这种”朝向本身无意义、但几何关系至关重要”的数据，这不是效率优化，而是能不能训得出来的分水岭。

建模空间的三种选择及其后果（第 8 章详述，这里从机制族角度总结）：做 3D 结构生成时，你还要在”在什么几何量上加噪”这件事上做选择——直接在原子坐标上加高斯噪声最直观，但会拉长键、扭曲键角，网络要花大量容量去学”回到合理化学”；在 SE(3) frame（每个残基的位置+朝向）上加噪，键长键角天然保持，只在”每个残基往哪转、往哪挪”上扰动，训练效率高得多，这是 RFdiffusion 的选择；联合建模结构+序列（AF3 风格）则更进一步，同时生成几何和氨基酸类别。同属几何等变族，这三种建模空间的选择直接决定了训练难度和样本质量。

8. 把五族拼成一张选择地图

现在把所有族放回四维度框架，给一张”遇到需求 → 该看哪一族”的地图：

你的处境 / 需求	该考虑的机制族	换的是哪一维
刚入门、不确定用什么	连续高斯（基准族）	都不换
数据是序列 / 图 / 类别	离散扩散（或自回归）	① 空间的数据类型
采样慢，想少步且能重训	流匹配或少步蒸馏	② 路径 / ④ 步数
要实时交互 / 1–4 步出样	少步蒸馏（一致性/LCM）	④ 步数
要 scale 到超大模型	DiT 主干	③ 主干
原始空间太高维、算力紧	LDM（换空间）	① 空间
做 3D 蛋白 / 分子结构	几何等变（必选）	①③

读地图的心法：

先定基准：默认从连续高斯族起步。
再看硬约束：数据离散？必须离散扩散或自回归。要 3D 结构？必须几何等变。这两个是”没得选”的。
最后看优化项：采样慢就往流匹配/少步走，要 scale 就换 DiT，算力紧就上 latent。这些是”锦上添花”的替换，不是必须。

一个真实的现代模型往往是多族叠加——比如 SD3 = 流匹配（②）+ latent（①）+ DiT（③）三族的组合。用四维度框架，你能把任何一个复合模型拆成”每一维选了什么”，这就是本章想给你的核心能力。

8.1 一次完整的拆解走查

把框架用起来最好的方式，是拿一个真实场景走一遍。假设你读到一篇论文，说”我们用 latent flow matching + DiT 在蛋白口袋条件下生成配体分子，10 步采样”。乍看一堆术语，用四维度框架逐个拆：

建模空间（维度①）：它说了”latent”——所以不是在原始原子坐标上扩散，而是先把分子压到潜空间。但它又是”配体分子 + 口袋条件”，涉及 3D 几何，所以这个 latent 大概率是等变编码器产出的、保留了几何信息的潜表示。→ 落在几何等变族 + LDM（换空间）的组合。
路径（维度②）：“flow matching”——路径取直了，这是它能少步的原因之一。→ 流匹配族。
主干（维度③）：“DiT”——用 Transformer 而非 U-Net 做去噪骨干。→ DiT 主干。
步数（维度④）：“10 步采样”——比经典 DDPM 的几十上百步少，但没到一致性模型的 1–4 步。这个少步主要来自流匹配的直路径（维度②的红利），而非额外蒸馏。

拆完你就看清了：这个模型是”几何等变 + latent + 流匹配 + DiT”四个选择的叠加，每个选择解决一个具体痛点（几何合理性、算力、少步、可扩展性）。你甚至能立刻提出审稿问题：“既然用了 latent，VAE 的重建误差对最终配体的几何精度影响多大？“——这正是维度①换空间的已知代价。

这就是本章最想留给你的东西：面对任何新扩散模型，不再是”又一个要背的名字”，而是”四维度上的一组选择 + 每个选择的代价”。术语会不断更新，但这个拆解框架不会过时。

9. 本章 Checklist

能说出四维度替换框架的四个维度（空间 / 路径 / 主干 / 步数）
能用四维度框架归类一个给定的扩散变体
知道连续高斯族为什么是”默认起点”，以及它的五个软肋
能讲清离散扩散换了什么、和自回归的竞争关系
能讲清流匹配换的是”路径”，以及路径取直为什么能少步
能讲清少步/蒸馏族和第 6 章采样加速的区别（重训 vs 换代码）
知道几何等变族是 3D 结构生成的”硬要求”
能把 SD3 这类复合模型拆成”每一维的选择”

10. 自测 4 问

Q1. 有人告诉你”Flow Matching 是取代扩散的下一代技术”。用四维度框架纠正这句话。

参考要点

不是”取代”，是”换了维度②路径”。流匹配和扩散同源，共享建模空间、条件注入、大部分工程基建，只是把弯曲随机路径换成尽量直的确定路径、训练目标从预测噪声换成预测速度场。它是扩散框架内的一种替换，不是另起炉灶。

Q2. 你要生成氨基酸序列（离散），有人建议用离散扩散，也有人建议用自回归模型。判断的关键问题是什么？

参考要点

关键看”是否需要非自回归的、可并行、可迭代精炼的生成”。如果输出空间离散、监督信号明确、自回归够用，自回归往往更简单快精度高（如 ProteinMPNN 就没用离散扩散）。离散扩散的价值在于需要迭代精炼或全局约束的场景。离散数据 ≠ 必须离散扩散。

Q3. 为什么”少步蒸馏族”和第 6 章讲的 DDIM/DPM++ 采样加速不是一回事？

参考要点

DDIM/DPM++ 是”不重训、只换采样代码”的加速，下限约 10–20 步；少步蒸馏族是从训练/蒸馏阶段重新设计，把步数压到 1–4 步，需要重训或蒸馏。前者动的是采样端，后者动的是训练端。代价也不同：蒸馏会损失一点多样性和细节。

Q4. Stable Diffusion 3 同时用了流匹配、latent 空间、DiT 主干。用四维度框架说明这是哪几维的组合，以及这说明五大机制族之间是什么关系。

参考要点

流匹配换维度②路径、latent 换维度①空间、DiT 换维度③主干——三维同时替换的复合模型。这说明五大机制族不是互斥的，而是可以在不同维度上自由组合。四维度框架的价值正在于能把复合模型拆成”每一维选了什么”，而不是当成不可分解的黑箱。

11. 与其他章节的关系

第 2 章前向加噪与反向去噪：本章的”连续高斯基准族”就是第 2 章讲的经典 DDPM，本章的所有替换都以它为参照系。
第 6 章训练与采样旋钮：本章少步族讲的是”重训/蒸馏”式加速，第 6 章讲的是”不重训、换采样代码”式加速，两者互补。
第 8 章生物读者轨道：本章的”几何等变族”在第 8 章有蛋白/分子 3D 生成的完整案例。
扩散模型导航：按机制族查具体模型清单，本章讲原理、导航页列模型，两者配合看。
隐空间扩散深入：本章 §7.2 的 LDM 换空间在这里有完整设计。

12. 延伸阅读

文献 / 资源	为什么看	阅读深度建议
Lipman et al., Flow Matching for Generative Modeling, 2023	流匹配的原始出处	读速度场目标与和扩散的关系
Liu et al., Rectified Flow, 2023	路径取直、reflow 的来源	读”为什么直路径能少步”
Song et al., Consistency Models, 2023	一致性模型（一步生成）的出处	读”任意点跳终点”的一致性约束
Peebles & Xie, DiT (Scalable Diffusion with Transformers), 2023	DiT 主干的原始出处	读 Transformer 换 U-Net 的 scale 收益
Austin et al., D3PM (Structured Denoising Diffusion in Discrete State-Spaces), 2021	离散扩散的代表	读离散加噪的转移矩阵设计

说明：本章以机制族的原理与取舍为主；具体模型清单与生物模态查表在导航页，各族的实战调参在第 6 章、生物落地在第 8 章。