从训练时的数值不稳定说起上周调试扩散模型时遇到个怪事：同样的网络结构，在A100上训练稳定，到3090上就数值爆炸。损失函数曲线像心电图一样乱跳，生成的图像全是噪声。熬了两个通宵查数据流，最后发现问题出在离散采样步长上——不同硬件浮点精度差异被扩散过程放大，导致结果天差地别。这个坑让我意识到，只把扩散模型理解成“加噪-去噪”的离散过程远远不够。真正要驾驭它，得回到连续视角看问题。今天我们就聊聊如何用微分方程给扩散模型一个统一的数学框架。扩散过程：随机微分方程视角传统理解里，前向扩散就是一步步加高斯噪声：# 离散版本 - 容易数值不稳定defforward_discrete(x,beta_t):noise=torch.randn_like