Consistency Models
发现一致性模型如何实现单步快速、高质量的生成式 AI。了解它们与用于实时推理的扩散模型有何不同。
生成式人工智能在视觉保真度方面取得了巨大的飞跃，但处理速度往往仍然是一个瓶颈。一致性模型是一类先进的生成式 AI架构，旨在通过单步或极少数步骤创建高质量数据，从而绕过早期概率框架所需的计算密集型采样过程。这种方法最初由 OpenAI 的基础机器学习研究引入，为快速数据合成树立了新标准。
这些网络不再通过数百个步骤逐步去除噪声，而是学习了一种数学映射，将任何噪声数据点直接连接回其干净的原始形式。通过沿特定噪声轨迹求解常微分方程 (ODEs)，模型确保该路径上的所有点都映射到完全相同的最终输出。这种“一致性”属性允许从业者完全跳过中间步骤。受 Google DeepMind 的进展等更广泛创新的启发，诸如 潜在一致性模型 (LCMs) 等近期突破进一步优化了这一过程。通过在压缩的潜在空间中运行，LCMs 大大降低了内存需求并加速了文本到图像生成流程。
Link to this section一致性模型与扩散模型#
在将此架构与扩散模型进行比较时，主要区别在于生成的时间线。传统的扩散框架依赖于渐进的、迭代的去噪循环来构建图像，而一致性模型则是专门为实时推理设计的。扩散可以产生令人难以置信的细节，但对于面向用户的实时应用程序来说往往太慢，这使得当低推理延迟成为项目的刚性约束时，基于一致性的新方法成为首选。
Link to this section实际应用#
能够即时生成高保真输出，为各种快节奏行业开启了新的可能性：
- 交互式媒体和视频游戏： 游戏开发者使用这些超高速网络来生成动态的、即时的纹理和视觉资产，从而在不拖慢渲染引擎的情况下实现响应式虚拟环境。
- 合成数据生成： 在医学图像分析等专业领域，工程师部署这些架构来快速合成多样化的训练数据。这对于计算预算严格受限的边缘计算硬件和边缘 AI环境尤其有益。
Link to this section现代计算机视觉中的速度#
The pursuit of low-latency execution isn't limited to generative media; it is a universal goal across all forms of computer vision. For instance, Ultralytics YOLO26 is engineered entirely for native end-to-end efficiency. By eliminating post-processing bottlenecks, it enables real-time computing for both object detection and complex image segmentation tasks. For broader model optimization, developers can effortlessly manage datasets, train rapid models, and deploy them using the Ultralytics Platform.
以下代码示例演示了如何使用高度优化的 yolo26n.pt 模型执行高速、单次传递推理，利用 PyTorch 的硬件加速功能，以呼应现代工业对快速机器学习运维的需求：
from ultralytics import YOLO
# Load the lightning-fast YOLO26 nano model for low-latency visual tasks
model = YOLO("yolo26n.pt")
# Perform a rapid, single-step prediction on an input image using GPU acceleration
results = model.predict(source="image.jpg", conf=0.5, device="cuda")
