完整题目
除了Stable Diffusion之外，你还了解哪些主流的图像或内容生成模型？请列举并简要说明它们的技术特点和适用场景。
按公开生成机制分类
- GAN：生成器与判别器对抗训练，StyleGAN适合高质量人脸等图像生成，CycleGAN用于未配对图像翻译。采样通常一次前向，但训练可能不稳定。
- 连续VAE：学习连续潜变量的近似后验和decoder，适合表示学习、生成和可控潜空间。
- 离散token自回归：先把图像量化为token，再按序生成。Parti是公开的文生图自回归路线，生成受序列解码成本影响。
- 掩码生成：Muse并非自回归模型，它并行预测被mask的图像token并迭代细化。
- Diffusion与flow：Imagen等扩散模型逐步去噪；rectified flow类方法学习速度场并通过ODE类路径采样。
DALL-E 3和Midjourney等闭源产品只能依据官方披露描述能力，不能替其断言具体backbone、训练数据或内部损失。比较模型时应区分公开论文方法与商业产品，并按质量、可控性、延迟、训练稳定性、许可证和证据完整度选型。
继续追问 · 3 个问题
- DALL-E 3和Midjourney相比，为什么DALL-E 3在文本遵循能力上更强
- 扩散模型和自回归模型在生成效率和质量上的 trade-off 是什么
- 如何看待Sora这类视频生成模型的技术路线选择
换一种问法，检查是否真正理解
场景切入
假设你在做一个AI绘图工具，用户想要生成一张‘赛博朋克风格的猫’，你觉得除了SD，还有哪些模型能搞定？各自有什么特点？
层层追问
你平时用过的图像生成模型有哪些？……除了SD，还有别的吗？……那它们的底层技术路线有什么不同？比如扩散和自回归，具体适用什么场景？
直球架构
请列举目前主流的图像或内容生成模型，并说明它们的技术特点和适用场景。不用讲SD，讲其他几个就行。
练习口述回答 · 约4分钟
- 先按生成机制分类
- 比较GAN和VAE
- 区分Parti自回归与Muse掩码生成
- 说明diffusion和flow
- 限定闭源产品证据边界
除了Stable Diffusion，我会按生成机制来回答，而不是把产品名堆成榜单。一种常见路线是GAN，生成器负责造样本，判别器负责区分真伪，两者对抗训练。StyleGAN系列常用于高质量人脸和可控图像生成，CycleGAN则是未配对图像翻译的代表。GAN采样通常只需一次生成器前向，但训练平衡、模式覆盖和稳定性需要单独处理。
另一类是VAE。连续VAE学习近似后验、潜变量先验和decoder，通过重参数化训练。它适合概率建模、表示学习和潜空间控制，但具体重建观感取决于似然、decoder和感知损失，不能简单概括成一定模糊。VQ-VAE一类方法则把表示离散化，后续可以训练图像token先验。
离散token路线要区分自回归与掩码生成。Parti把图像表示成离散token，再像语言模型一样按序预测下一个token，属于自回归文生图路线。Muse同样使用离散图像token，但它是masked generative Transformer：从被mask的位置出发并行预测，再迭代细化。因此不能因为两者都处理token，就把Muse归为自回归模型。
后续还要看diffusion和flow。Imagen等扩散模型从噪声逐步恢复图像，条件控制成熟，但通常需要多次网络评估。Flow matching或rectified flow学习随时间变化的速度场，通过ODE类求解把基分布运输到数据分布。实际速度取决于训练路径、求解器和实现，不能说flow天然单步或一定更快。
闭源产品要保留证据边界。DALL-E 3、Midjourney等可以按官方公开材料描述输入能力、输出控制和安全策略，但如果没有论文或技术报告，就不能替它们指定U-Net、Transformer、训练数据或损失函数。面试时我会明确说“公开信息不足”，这比编一个看似具体的架构更专业。
最后做选型时，我会比较目标质量、可控性、单请求延迟、吞吐、训练稳定性、数据许可和部署条件。很多系统还会混合autoencoder、diffusion、Transformer或对抗损失，所以分类要说主要生成过程和组件角色，而不是看到一个VAE就给整套系统贴VAE标签。
很多现代系统还是混合架构，例如先用autoencoder压缩，再在latent上训练diffusion或flow；离散tokenizer后可接自回归或masked生成器。面试里应说明哪个组件负责表示压缩，哪个组件才是主要生成过程，并用公开证据支持归类。
视频、音频和三维内容还会引入时序一致性、长序列和物理约束，不能把图像模型名称直接迁移成这些模态的能力证明。应查看对应论文的训练对象和公开评测。