Guidance & Fast Sampling (CFG / DDIM): 解释扩散采样的随机性与可复现性。

Core Concept: SDE 采样（DDPM/Euler-a）不可复现；确定性采样（DDIM/DPM-Solver）给定种子可复现；需固定种子与确定性算子。

数学机理：<strong>随机性的来源</strong>——(1) <strong>起始噪声 x_T</strong>——从 N(0,I) 采样（种子决定）；(2) <strong>采样过程中的噪声注入</strong>——DDPM/Euler-a 每步加 σ_t·z（见 DDIM vs DDPM 题）。<strong>确定性采样（DDIM/DPM-Solver）</strong>——σ_t=0，故 x_T→x_0 是<strong>确定映射</strong>：给定同一个 x_T（由种子决定），结果<strong>完全一致</strong>（可复现）。<strong>随机采样（DDPM/Euler-a）</strong>——每步注入噪声；即使固定起始种子，<strong>中间的噪声采样</strong>仍会引入随机性（除非也固定每个中间噪声的种子）；故'同种子不同结果'是常态。<strong>可复现的条件</strong>——(a) <strong>固定起始种子</strong>（决定 x_T）；(b) <strong>确定性采样器</strong>（或固定所有中间噪声的种子）；(c) <strong>确定性算子</strong>（GPU 上的原子操作/某些 kernel 非确定，见 M3 的可复现性题）；(d) <strong>固定的超参</strong>（步数、CFG s、调度、分辨率）；(e) <strong>固定的模型版本与精度</strong>（不同版本/精度产生不同结果）。<strong>为什么可复现性重要</strong>——(a) <strong>调试</strong>——无法复现就无法定位问题；(b) <strong>产品</strong>——用户期望'同输入同输出'（尤其需要审计/合规的场景）；(c) <strong>A/B 测试</strong>——需控制变量（否则无法归因）；(d) <strong>学术对比</strong>——需公平比较。<strong>不可复现的场景与应对</strong>——(a) <strong>追求多样性</strong> → 随机采样（不同种子给不同结果）；(b) <strong>追求可复现</strong> → 确定性采样 + 固定种子；(c) <strong>折中</strong> → 用'少量随机步'（如只在中间几步加噪）。<strong>与'编辑'的关系</strong>——<strong>确定性采样支持 inversion</strong>（把真实图像反推到 x_T，再修改 prompt 重新生成）；这是图像编辑（SDEdit、prompt-to-prompt、DDIM inversion）的基础；随机采样不可逆（难以精确反推）。<strong>工程实践</strong>——(a) <strong>记录完整配置</strong>（种子、采样器、步数、s、模型版本）；(b) <strong>用确定性采样做回归测试</strong>；(c) <strong>多随机种子评估</strong>（因为单次结果有方差，见 M5 的统计显著性问题）。

深度剖析与工程权衡：① <strong>'确定性采样可复现、随机采样不可'</strong>——这是两者的核心工程差异；面试中能指出是深度理解的标志。② <strong>'可复现需多层固定'</strong>——不只是种子（还有算子确定性、超参、模型版本）；这是'可复现性'的完整清单。③ <strong>'确定性采样支持编辑'</strong>——inversion 需要可逆映射；这是 DDIM 在编辑任务中流行的原因。④ <strong>'多样性需靠不同种子'</strong>——确定性采样下，多样性来自 x_T 的随机性；故'同 prompt 生成多图'需换种子。⑤ <strong>'单次结果有方差'</strong>——即使确定性采样，'换种子'也会给出不同结果；故评估需多种子（避免'运气好'的结论）。⑥ <strong>面试要点</strong>——被问'扩散采样可复现吗'，应给出'<strong>确定性采样可复现（固定种子 + 确定性算子）+ 随机采样不可 + 可复现的完整清单</strong>'与'<strong>inversion/编辑依赖确定性</strong>'；能指出'评估需多种子'是深度理解的标志。