Guidance & Fast Sampling (CFG / DDIM): 解释采样器（solver）对质量的影响。

Core Concept: 同一模型换采样器会显著改变质量与速度：DDIM/DPM-Solver 用更少步达同等质量；Euler-a 细节更丰富。

数学机理：<strong>采样 = 数值求解 ODE/SDE</strong>——扩散采样本质是求解'概率流 ODE'或'反向 SDE'；不同的采样器就是不同的<strong>数值积分方法</strong>。(1) <strong>DDIM</strong>——一阶 ODE 求解（欧拉法），每步只用当前点的信息；需 50~100 步。(2) <strong>DPM-Solver（Lu 等 2022）</strong>——利用 ODE 的<strong>解析形式</strong>（半线性结构）构造<strong>高阶求解器</strong>（二/三阶），每步利用多阶导数信息；<strong>10~20 步</strong>即可达到 1000 步 DDPM 的质量（约 50~100 倍加速）。(3) <strong>UniPC</strong>——统一预测-校正框架，进一步优化。(4) <strong>Euler / Heun</strong>——一阶/二阶 ODE 求解器（Karras 等的 EDM 框架）。(5) <strong>Euler-a（ancestral）</strong>——<strong>SDE</strong> 采样（每步加噪），细节更丰富但<strong>步数受限</strong>（随机项要求小步长）；且不可复现。(6) <strong>LMS（线性多步）</strong>——用历史信息做多步预测。<strong>为什么高阶求解器能用更少步</strong>——数值积分的<strong>误差 ∝ 步长的阶数</strong>（一阶方法误差 O(h)、二阶 O(h²)）；故高阶方法可用更大步长（更少步数）达到同等精度。<strong>采样器与训练的关系</strong>——(a) <strong>独立</strong>——采样器不改变模型（只是'如何用模型的输出'）；故同一模型可换任何采样器（无需重训）；(b) <strong>但有交互</strong>——不同参数化（ε/v）与调度会影响采样器的数值行为；(c) <strong>SDE 采样需'噪声调度'支持</strong>（Euler-a 需 α 调度）。<strong>对质量的影响</strong>——(a) <strong>确定性求解器（DDIM/DPM-Solver）</strong>——稳定、可复现、少步数可用；但细节可能'较平滑'（缺乏随机性带来的纹理）；(b) <strong>SDE（Euler-a）</strong>——细节更丰富（有研究显示在高分辨率生成上更优）；但需更多步、不可复现；(c) <strong>采样器的选择影响'不同噪声水平'的质量</strong>（如某些求解器在低噪声步更准）。<strong>实践建议</strong>——(a) <strong>默认</strong> → DPM-Solver++ / UniPC（10~20 步，质量与速度兼顾）；(b) <strong>追求细节</strong> → Euler-a（但需更多步）；(c) <strong>可复现/编辑</strong> → 确定性求解器；(d) <strong>参考各模型的推荐配置</strong>（不同模型有最优采样器）。<strong>度量</strong>——(a) <strong>步数 vs FID/CLIP-score 曲线</strong>（找'质量饱和'的步数）；(b) 延迟；(c) 多样性与细节（人工或专门指标）。

深度剖析与工程权衡：① <strong>'采样器与训练独立'是重要认知</strong>——换采样器不需重训；故'采样器选择'是免费的优化空间（应充分探索）。② <strong>'高阶求解器用更少步'的代价</strong>——每步计算更贵（需多阶导数/额外前向）；故'总成本 = 步数 × 每步成本'需权衡（通常高阶仍更划算）。③ <strong>'SDE 细节更丰富'的实证</strong>——有研究显示 SDE 在高分辨率/细节敏感场景更好；故'确定性 vs 随机'应按任务选（而非固定）。④ <strong>'步数饱和点'</strong>——超过某步数后质量不再提升（甚至下降，因为数值误差累积）；故应找饱和点（通常 20~50 步）。⑤ <strong>'与 CFG 的交互'</strong>——CFG 使每步成本 ×2，故'少步 + CFG'的组合更经济。⑥ <strong>面试要点</strong>——被问'采样器怎么选'，应给出'<strong>采样=数值求解 ODE/SDE + 阶数决定步数（高阶 10~20 步）+ 确定性 vs SDE 的取舍 + 与训练独立</strong>'；能指出'应探索采样器（免费优化）'与'找步数饱和点'是深度理解的标志。