扩散模型是怎么工作的？一份大白话讲解
扩散模型生成一张图的方式，是从一片随机噪声出发，在你提示词的引导下一点点把噪声擦掉，直到剩下一张图像。 这一个念头，就撑起了 FLUX.2、Stable Diffusion 以及你用过的大多数工具。本文用大白话把它拆开：前向与反向两个过程、「隐空间」到底买来了什么、提示词怎么引导去噪，以及为什么换一个种子会得到「相关但不同」的图。它是 什么是文生图 的机制版；如果你不想碰这些管道，只想直接导演一个，插画画布 会替你把手艺握在手里。
什么是扩散模型？
扩散模型是一个被训练来「给图像去噪」的神经网络——而所谓生成，不过是把这项本事循环跑一遍。这个名字来自物理：想象一滴墨水在水里扩散，直到整杯水变成均匀的灰。训练教会模型把这个过程倒着走，从灰里把一张干净的图重新拉回来。一旦它能稳定做到这一点，你就可以递给它一片全新的雪花点，让它把这团静电「反扩散」成某种新东西。
这一点为什么重要：模型从不背下图片再回放。它学的是真实图像长什么样的统计形状——皮肤、天空、金属、排版通常怎样排布——朝这个形状去噪，才是它每次都生成一张全新图像的原因。想看「输入到输出」这层更高层的约定，文生图入门 讲的是提示词和模型；本文只钻底层。
它是怎么把噪声变成图的？
这里有两个过程，而且方向相反。前向过程只在训练时发生：拿一张真实图像，加一点高斯噪声，再加一点，如此反复，直到它和雪花点无法区分——并记录下每一步加了多少噪声。反向过程就是生成：从雪花点出发，一步步「预测再减掉」噪声，直到一张干净的图浮现。模型自始至终只被训练把一件小事做好——「给定这张略带噪声的图，加进去的是什么噪声？」——其余一切，都是把这一招重复无数遍。
| 前向过程（仅训练时） | 反向过程（生成时） |
|---|---|
| 从一张真实图像开始 | 从纯随机噪声开始 |
| 小步小步地加噪 | 小步小步地减掉预测出的噪声 |
| 终点是一片没有特征的雪花点 | 终点是一张干净、贴合提示词的图 |
| 教模型认识噪声长什么样 | 用这项本事「雕」出一张图 |
| 不涉及提示词 | 每一步都被你的提示词引导 |
让人一下子想通的心智模型：模型不是从空白画布往外画，而是从一整块静电里雕出一个形象。每一步都朝你提示词指的方向凿掉一点随机性。没有什么东西是「画」上去的，更像是被揭示出来——而你起手的那块静电，直接决定了最终的形状，这也正是种子为什么这么要紧。
别再想象模型在画一幅场景。想象一位雕塑家拿到一块大理石和一把凿子——你的提示词就是那把凿子，每一次去噪都凿掉一点石头，直到形象立在那里。
什么是隐空间，它为什么要紧？
几乎每一个现代系统都是隐空间（latent）扩散模型，意思是它在一个压缩过的空间里加噪和去噪，而不是在全分辨率像素上——正是这一招，让这项技术快到能落地。一个独立的小网络（变分自编码器，VAE）把图像压成一小格数字，保留有意义的结构、扔掉像素级细节。扩散在那个逼仄的空间里发生，每一步都很便宜，直到最后一刻，才由解码器把成品展开回一张全尺寸图像。
实际的好处是速度和显存：把一小格隐表示去噪几十次，远比在几百万像素上折腾便宜，这才让模型能跑在一张普通显卡上，而不是一整机柜。代价是 VAE 偶尔会把极细的细节抹糊——发丝、布料纹理、微小文字——因为这些细节在进去时就被部分丢掉了。这也是为什么生成后做一次轻度放大或细节补偿，往往立竿见影。
种子和引导系数是什么？
这是你真正会去拧的两个旋钮：种子（seed）决定你从哪一块噪声开始雕，引导系数（guidance scale）决定模型多听你的话、还是多按自己的性子来。提示词经由文本编码器变成数字，这些数字被注入每一步去噪（通过交叉注意力），模型才知道往哪个方向凿。无分类器引导（classifier-free guidance）是旋钮背后的机制：模型悄悄预测两次——一次带你的提示、一次不带——然后把两者的差放大。引导系数，就是放大多少。
| 设置 | 控制什么 | 推到极端会怎样 |
|---|---|---|
| 种子（seed） | 起始的那块噪声 | 相同种子+提示+设置，每次都是同一张图 |
| 引导系数（CFG） | 多严格地照提示词办 | 太低会无视你的话；太高会又糊又过饱和 |
| 采样步数 | 去噪跑多少遍 | 太少显得没熟；过了某点，再多只是烧时间 |
| 采样器（sampler） | 每一步迈多大的配方 | 快采样器几步就能得到干净的图 |
四个里最被误解的是种子。它只是一个决定初始雪花点的整数，行为就像一块特定的大理石。提示词、设置、种子都保持一致，你会拿到逐字节一模一样的图——生成是确定性的。只改种子，你就得到同一份 brief 的一张全新构图，因为你递给雕塑家的是另一块石头。这就是「重掷一次」为什么给你新图，也是当你想「只改一处、别重画整张」时该锁住种子的原因。
一旦碰到一个满意的构图，就锁住种子，一次只改一个词。 种子既然固定，输出的任何差别就都来自你的改动，而不是运气——这把「生成然后祈祷」变成了你真能掌舵的东西。只有当你想要一个彻底不同的版本时，才把它解锁。
当一张图出错时，你该拧哪个旋钮，取决于它是怎么错的：
- 提示词被忽略 / 结果很平庸——把引导系数往上推一点，并把主体放到提示词最前面、写得更具体。
- 画面又糊又过曝、颜色刺眼——引导系数太高了，往回调。
- 思路对，但想要另一个版本——只改种子，其余原封不动。
- 构图对，只想修一处细节——保持种子不变，只改描述那处细节的词。
- 发软、没熟——加几步采样，或事后做一次轻度放大。
- 迭代太慢——用现代快采样器、少跑几步；你很少需要默认值那么多。
所有 AI 图像模型都是扩散模型吗？
不是——截至 2026 年 8 月，扩散是主流路线，但不是唯一一条。有些较新的系统自回归地生成图像，像语言模型逐 token 写字那样一块块预测，这往往有助于指令遵循和图内可读文字。另一些则是两者兼取的混合架构。你不必盯着某个工具用的是哪套管道也能拿到好结果——「输入提示、输出图像」的约定是一样的。变化的只是各自最强的地方。
| 路线 | 怎么把图搭出来 | 取舍 |
|---|---|---|
| 扩散 | 在许多步里给雪花点去噪 | 质感和风格路数丰富；迭代式，单张更慢 |
| 自回归 | 按顺序、一块块地预测图像 | 指令和文字更强；失败方式不同 |
| 混合 | 把去噪和顺序预测揉在一起 | 想两头都占；更新、也更没被打磨过 |
实际的前沿是一锅混合。像 GPT Image 死磕指令遵循，Ideogram 3 强在排版，FLUX.2 强在提示遵循度和照片级细节——底下的内部机理各不相同。按活儿选，别按架构选。
扩散模型到哪为止，Agent 从哪接手？
搞懂引擎怎么转，并不能免去你在每一句提示里重复输入同一套风格、打光和质量术语——这道缝，正是导演化 Agent 来填的。ReelWand 的 插画画布 坐在模型之上，带着一套固定的、服务端的风格 DNA——媒介、色板、线条粗细、成品质感——拼进每一次请求，于是你只写主体和构图，其余的堆叠由它接管。它当前的在线生成使用 Seedream。因为它保留大约两小时的会话记忆，你的下一句提示会在上一张成图的基础上迭代，而不是从一块冰冷的噪声重新开始——这正是前面那套「锁种子」的纪律，只不过由它替你做了。
描述你想要什么，让插画画布替你把风格、打光和一致性都握住。
去导演扩散模型，而不是跟它较劲常见问题
一句话说，扩散模型是什么？
扩散模型是一种靠去噪来生成图像的 AI。它被训练成拿一张带噪的图、预测其中的噪声；生成时它从纯随机雪花点出发，在你提示词的引导下一步步把噪声清干净，直到一张全新的图浮现。
扩散模型为什么要从噪声开始？
因为它训练的正是「加噪」的逆过程。训练时模型看着真实图像变成雪花点，并学会把它撤销。生成从一片随机噪声起步，就给这项学到的「去噪」本事一块可雕的料，而起始噪声的随机性，正是每次结果都不一样的原因。
引导系数（CFG）是做什么的？
引导系数控制模型多照字面听你的提示词。底层里它会带提示和不带提示各预测一次，再把两者的差放大。设得太低，模型会跑偏离你的话；设得太高，画面会过饱和、发糊发「炸」。一个中等的值通常最耐看。
为什么换个种子就换一张图？
种子决定模型从哪一块随机噪声出发。保持种子、提示词和设置不变，你每次都得到同一张图——生成是确定性的。只改种子，就等于递给模型另一块起始料，于是它从同一份 brief 里雕出一张相关但不同的图。
扩散模型和 GAN 是一回事吗？
不是。GAN 靠生成器和判别器对抗、一次前向就出一张图；扩散模型则在许多去噪步里把图逐渐搭出来。文生图之所以基本用扩散取代了 GAN，是因为它训练更稳定，覆盖的主体和风格也更广。
扩散模型需要跑多少步？
看采样器。老一点的设置要跑几十步；现代快采样器几步就能得到干净的图。步数在某个点之前有帮助，之后就只是烧时间而不改善画面，所以最佳区间通常比默认值更低。
把它变成作品
专业图像 Agent 内置了本文所讲的创作方法。挑选一个当前可用的 Agent，开始创作。
属于 ReelWand 的AI 艺术与插画工具 工具集。