paradigms 是模型训练领域的开源项目，由 AndyShih12 开发，2023 年首次发布。
它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 158。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-03。MIT许可证，完全免费，无付费版本。
它主要面向的使用场景是：研究扩散模型加速采样方法。同类可对比的替代方案包括 DPM-Solver、DDIM、LCM-LoRA。
paradigms
并行采样加速扩散模型，少步生成高质量图像
Paradigms 是 NeurIPS 2023 Spotlight 论文《Parallel Sampling of Diffusion Models》的官方 PyTorch 实现。它解决扩散模型生成速度慢的问题，通过并行采样策略减少推理所需的去噪步数，同时保持生成质量。核心能力包括：实现多种并行采样范式（如 Restart、Distillation 等），支持在 Stable Diffusion 等主流模型上直接应用，提供简洁的 API 和可复现的实验配置。项目面向研究者和工程师，旨在加速扩散模型的推理过程，适用于实时图像生成、视频生成等对延迟敏感的场景。代码结构清晰，基于 PyTorch，易于集成到现有工作流。
开源
free
图像生成
GitHub 星标
★ 159
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类图像生成
开发团队AndyShih12
所属国家
定价模式free
价格说明开源项目，MIT许可证，完全免费，无付费版本。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型diffusion-models,pytorch,sampling-methods,stable-diffusion
GitHub 星标★ 159
30天Star增速
HF 下载量
上线时间2023-05-19 00:00:00
最近更新2026-09-22 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4
使用教程
核心亮点
- 实现论文中的并行采样算法，显著减少采样步数，加速推理
- 支持 Stable Diffusion，可直接应用于主流生成模型
- 代码结构清晰，基于 PyTorch，易于复现和扩展
不足之处
- 项目处于早期阶段，文档和社区支持待观察
- 并行采样可能增加显存占用，对硬件要求较高
适用场景
- 研究扩散模型加速采样方法
- 实时或低延迟图像生成应用
- 在资源受限环境中部署扩散模型
替代项目
DPM-Solver、DDIM、LCM-LoRA
项目介绍
同类项目推荐
Long-RL
开源
让强化学习轻松驾驭超长序列，训练更稳更快
Long-RL: Scaling RL to Long Sequences (NeurIPS 2025)
TPA
开源
把注意力复杂度从平方降到线性，长序列不再卡顿
[NeurIPS 2025 Spotlight] TPA: Tensor ProducT ATTenTion Transformer (https://arxiv.or···
minimind
开源
两小时造出你的小模型，练手入门不求人
Train a 64M-parameter LLM from scratch in just 2h!
pruna
开源
一键优化 AI 模型，推理提速又省资源。
Pruna is a model optimization framework built for developers, enabling you to delive···