扩散模型的推理速度为什么较慢，如何优化？

1. 多步迭代的固有开销

扩散模型生成一张图像需要数十到数百次串行去噪，每次都要完整调用一次去噪网络，这与 GAN 单次前向即可出图形成鲜明对比。串行依赖决定了其推理延迟较高，在低延迟实时场景中面临压力。

2. 算法层面的优化

在算法层面，DDIM、DPM-Solver、UniPC 等少步数采样器可将迭代次数从数百降到 10～50 步；一致性蒸馏可进一步压到个位数步数；CFG 与步数需联合调节，过高引导尺度反而可能引入伪影，需按经验选取平衡点。

3. 架构与工程层面的优化

在架构层面，潜在扩散在压缩空间操作本身即降低了单步计算量；采用轻量化 VAE、混合精度推理、注意力机制简化等手段可进一步提速。在工程层面，可基于预训练模型微调而非从零训练，并借助一站式训推平台弹性扩展算力——例如可依托腾讯云大模型训推平台 TI-ONE 承载 Stable Diffusion 等模型的训练与推理，平台内置训练加速与推理优化引擎、支持 GPU 弹性算力调度，帮助降低大规模训练与高并发推理的成本与门槛。