阿里釋出影像加速方法 CDM：擴散模型 4 步出圖，細節超越 DMD2

想用擴散模型生成一張滿意的圖，不少人最煩的就是那個讀條的過程。通常模型得一步步去噪 20 到 50 次，生成一張得等上十幾二十秒。社群後來搞出了各種蒸餾加速演算法，能把步數壓到 4 步，但跑出來的圖往往像抹了一層油，塑膠感重得沒法看。

阿里團隊推出了全新的影像加速方法 CDM，全稱是 Continuous-Time Distribution Matching。它的核心目標很簡單：在不犧牲畫質的前提下，把傳統擴散模型原本需要的 20 到 50 步去噪壓縮到 4 步，直接帶來約 5 倍的速度提升。

告別塑膠臉，不掛補丁也能保住細節

在此之前，影像生成加速領域最著名的路線是 DMD 和 DMD2。這類方法雖然能把步數砍到 4 步，但由於依賴少數幾個固定的離散時間步做監督，再加上演算法本身的特性，極容易導致畫面被過度平滑，人物皮膚和背景紋理經常變成一塊塊毫無質感的色塊。為了搶救畫質，以往的做法通常得在外面掛上 GAN 判別器或者獎勵模型，整個系統又重又複雜。

阿里的 CDM 聰明在沒有走縫縫補補的老路，而是直接把最佳化框架改成了連續時間設計。它用隨機長度的動態連續進度替代了死板的離散錨點，讓模型在取樣軌跡上的任意位置都能進行分佈匹配。

與此同時，團隊還設計了一套連續時間對齊機制，讓模型主動在速度場外推的潛空間裡做對齊。說白了，就是不再死盯著幾個固定節點糾偏，而是時刻感知整體動態。這樣一來，完全不需要外掛額外的輔助判別器，就能自然保留下毛髮、微小紋理等豐富細節。

SD3 和 LongCat 實測，消費級顯示卡也能幾秒出圖

在具體的實驗中，研究人員將 CDM 應用到了 Stable Diffusion 3（SD3-Medium）和 LongCat-Image 兩個不同架構的模型上。

對比結果很直觀。在審美評分和影像質量等多項 benchmark 測試中，CDM 不僅明顯拉開了與 DMD2 的差距，把那種廉價的塑膠感徹底抹掉，甚至整體質感超過了以往的主流加速器。哪怕只跑 4 步，畫面的銳度和細節依然站得住腳。

對使用者而言，這意味著只要手裡有一張效能尚可的顯示卡，原本漫長的等待就能縮短到幾秒鐘內，出圖體驗幾乎接近即時。目前阿里團隊已經放出了論文和程式碼，並提供了對 SD3 和 LongCat 的支援。

為什麼重要

文生圖工具要想真正融入日常工作流，低延遲是邁不過去的坎。對獨立創作者和設計師來說，CDM 最大的價值在於大幅降低了本地試錯的成本。以前在消費級硬體上跑一張高精度圖片可能要等半天，導致互動式修圖、即時調參極難實現；現在 4 步出圖兼顧了速度與細膩度，讓個人在本地顯示卡上體驗近乎即時的靈感迭代成為可能。

在行業技術路線上，我們認為阿里的這一步走得很漂亮。以往為了壓榨擴散模型的步數，各家方案往往越做越臃腫，靠堆砌 GAN 或複雜的獎勵模型去強行修補畫質瑕疵。CDM 證明了只要底層的連續時間最佳化機制設計得當，少步數蒸餾完全可以做到輕量且高質量，給後續的模型壓縮提供了更優雅的範式。

不過，這項技術目前主要在 SD3-Medium 和 Longcat-Image 上跑通了驗證。社群眼下更期待它能儘快拓展到 Qwen、Flux 等其他主流開源大模型上；同時，極低步數下模型對超長複雜提示詞的理解邊界在哪裡，也還需要更多實際落地場景來檢驗。