完整题目
除了Stable Diffusion之外，你还了解哪些主流的生成式模型？请列举并简要说明它们的技术路线（如GAN、VAE、Diffusion、Autoregressive等）及其典型应用场景。
可按五条公开技术路线回答
| 路线 | 代表工作 | 机制与常见场景 |
|---|---|---|
| GAN | StyleGAN2、CycleGAN | 生成器与判别器对抗训练；采样通常单次前向，适合人脸生成、图像翻译，但可能有训练不稳和mode collapse |
| 连续VAE | VAE | 学习连续潜变量的变分后验和decoder；适合表示学习、可控latent与概率建模，单独像素似然方案可能偏平滑 |
| 离散tokenizer+AR | VQ-VAE、Parti、LlamaGen | 图像量化成离散token后做next-token预测；便于复用Transformer，生成通常串行 |
| Diffusion | DDPM、Imagen、Latent Diffusion/Stable Diffusion、SDXL | 学习逐步去噪；文生图、编辑和视频均有应用，采样NFE与质量是重要取舍 |
| Flow/Rectified Flow | Flow Matching、Stable Diffusion 3相关路线 | 学习连续速度场并用ODE类采样；路径和求解器决定训练、步数与质量 |
容易混淆的归属
- DALL·E 2使用CLIP图像表征prior与diffusion decoder，不应简单叫latent diffusion。
- SDXL属于latent diffusion体系，可使用base与refiner，但不宜笼统写成“cascade路线”。
- 对没有公开论文或完整官方技术报告的产品，不把它用作具体架构归类的证据。
- GPT-4V架构未公开到足以作为自回归图像生成范例；LlamaGen不是Meta项目。
LoRA主要减少适配参数，不天然降低扩散采样步数或推理时延；U-Net扩散也不能无条件套用LLM式KV cache。选型应按质量、可控性、单次延迟、吞吐、训练稳定性和公开证据比较。
继续追问 · 3 个问题
- GAN和Diffusion在训练稳定性和生成质量上的核心差异是什么？为什么Diffusion逐渐取代了GAN在文生图领域的主导地位？
- VAE和Diffusion都涉及隐变量建模，它们的本质区别在哪里？
- 如果让你设计一个实时交互的图像编辑工具，你会选择哪种技术路线，为什么？
换一种问法，检查是否真正理解
场景切入
假设你在做一个电商图片生成功能，除了常见的Stable Diffusion，还有哪些生成式模型可以用？技术路线和场景上各有什么侧重？
层层追问
你了解哪些主流的生成式模型？……除了扩散模型，还有别的路线吗？……GAN和VAE现在还有应用场景吗？它们跟扩散模型比有什么优缺点？
直球架构
请列举主流的生成式模型技术路线（如GAN、VAE、Diffusion、自回归等），各举一个代表模型，并说明它们的技术特点和典型应用场景。
练习口述回答 · 约4分钟
- 用五条路线分类
- 逐类说明机制、代表和场景
- 纠正DALL·E 2、SDXL与flow归属
- 不使用未公开产品架构
- 按业务指标选型
除了Stable Diffusion，我会按生成机制分路线，而不是把所有模型混成一个榜单。第一类是GAN，例如StyleGAN2和CycleGAN。它通过生成器与判别器对抗训练，采样通常一次前向就能完成，延迟有优势；但训练可能不稳定，也可能出现mode collapse。常见场景包括人脸生成和图像到图像翻译。
第二类是VAE。连续VAE学习近似后验、潜变量先验和decoder，适合概率建模、表示学习和可控latent。VQ-VAE则是离散表示路线，用码本把图像或音频变成离散索引，再训练自回归先验。两者不能只用“都叫VAE”就混为一类，连续与离散潜变量、梯度和生成先验都不同。
第三类是离散token加自回归模型，例如Parti或LlamaGen这类公开工作。它们把图像量化为token，再像语言模型一样做next-token预测，容易复用Transformer和图文序列接口，但生成通常受串行解码影响。LlamaGen是论文方法名，不能错误归为Meta项目；GPT-4V的生成架构公开信息不足，也不适合作为技术例证。
第四类是diffusion，包括DDPM、Imagen、Latent Diffusion和SDXL。它们学习从噪声逐步恢复数据或相关参数化，优点是生成质量和条件控制路线成熟，代价是通常需要多次网络评估。Stable Diffusion和SDXL在连续latent上运行。SDXL可以组合base与refiner，但不应因此把整个技术路线笼统叫cascade。
DALL·E 2也要说准确。它先处理CLIP表征之间的prior，再使用diffusion decoder生成图像，不是通常所说的latent diffusion。把它和Stable Diffusion放在同一“latent VAE扩散”格子里，会掩盖两者潜空间和decoder设计的差异。
第五类是flow matching或rectified flow路线，通过学习随时间变化的速度场，再用ODE类方法从基分布运输到数据分布。Stable Diffusion 3论文采用相关的rectified flow Transformer路线。对没有公开论文或完整官方技术报告的产品，我不会仅凭宣传名称替它归类。具体步数和速度仍取决于训练路径、求解器和实现，不能说flow天然单步。