扩散模型：画面怎么从噪声里洗出来

画面是用代码画的 96×60 示意图，不调用真实模型。加噪和每一步去噪的更新公式是真的（余弦噪声表、DDIM 采样）；“去噪网络”是假的：它对终稿的猜测直接用目标画面的模糊版本代替，噪声越少越清晰，用来模拟扩散模型先定构图、后补细节的特点。真实模型在几亿张带文字说明的图片上训练，用神经网络（早期多是 U-Net，现在多是 Transformer）真正去猜噪声；很多模型还先把图片压缩到“潜空间”里去噪，最后再解码成像素。这里一共 50 步，生成时每次跨 2 步、去噪 25 次。文字引导的做法叫无分类器引导（classifier-free guidance，Ho 和 Salimans，2022），“不看提示词的猜测”在这里用所有画面的平均代替；引导强度的刻度、相似度和溢出比例都是示意，常用工具的默认值多在 7 左右，调得太高会过饱和、失真。视频部分只演示一点：逐帧单独生成会闪，整段一起去噪才连贯。

相关文章：Sora 发布那天，全网都在逐帧找穿帮（按 OpenAI 的技术报告，Sora 把视频切成“时空小块”，用扩散 Transformer 整段一起去噪）、Opus 5.5 不会做视频，但它改写了“视频”的定义（另一条路：不去噪像素，而是写出能渲染画面的代码）。