OpenAI · 大模型
OpenAI 发布 Consistency Models
OpenAI 提出 Consistency Models，一种新型生成模型，能够在单次前向传播中直接生成高质量样本，无需迭代采样。该方法在图像生成和音频生成等任务上实现了显著的推理速度提升，同时保持优秀的生成质量。论文展示了 Consistency Models 与扩散模型在性能上的可比性，并探讨了其在实时应用中的潜力。
- 域名
openai.com- 评分
- 5 · 重大发布
- 发布
- 2026-05-22
导读
Consistency Models 由 Song、Dhariwal、Chen 与 Sutskever 提出，针对扩散模型必须反复迭代采样的瓶颈给出新解法。其核心想法是训练一个把任意噪声水平直接映射回原始数据的函数，并要求同一条概率流 ODE 轨迹上的不同点都被映射到同一终点，这一致性约束让模型在单步前向中即可生成高质量样本，需要更高质量时也可以多步迭代以计算换质量。
训练方式有两条路径。一是从已有扩散模型蒸馏，把扩散的多步采样压缩进一个一致性映射；二是从零开始作为独立生成模型训练，不依赖任何预训练扩散模型。两种方式都支持 inpainting、上色、超分等零样本编辑任务，无需为每种任务单独训练。
实验显示，CIFAR-10 上一步生成 FID 达到 3.55，ImageNet 64×64 上达到 6.20，均刷新当时的单步生成纪录，并在多步采样下进一步逼近扩散模型的极限。Consistency Models 因此为实时图像、音频、视频生成提供了基础，后续的 LCM、SDXL Turbo 等加速方案都沿着这条蒸馏与一致性约束的思路展开。