10步内完成扩散模型采样，图像生成提速数倍
DPM-Solver 是 NeurIPS 2022 Oral 论文的官方实现，针对扩散概率模型（DPM）采样速度慢的问题，提出了一种基于常微分方程（ODE）的高阶快速求解器。传统扩散模型采样通常需要数百步去噪迭代，而 DPM-Solver 通过数学推导将采样过程转化为 ODE 求解，在保持生成质量的同时，将采样步数大幅压缩至 10 步左右，甚至可低至 4-5 步。该工具支持多种扩散模型架构，包括基于分数（score-based）的生成模型和 Stable Diffusion 等主流文生图模型，提供简洁的 API 接口，可无缝集成到现有 PyTorch 流程中。核心能力包括：高阶 ODE 求解器（支持 1 阶、2 阶、3 阶）、自适应步长与噪声调度优化、以及针对不同模型（如 DDPM、SDE）的适配方案，显著提升推理效率，适用于实时图像生成、移动端部署等对延迟敏感的场景。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆官方仓库
从 GitHub 拉取 DPM-Solver 官方代码仓库到本地，这是后续所有操作的基础。
git clone https://github.com/LuChengTHU/dpm-solver.git2进入项目目录
切换到刚克隆下来的仓库目录，后续按仓库内说明安装依赖、运行脚本。
cd dpm-solver3按仓库说明安装依赖
本次 README 节选未给出任何 pip/conda 安装命令与依赖清单，请打开仓库内完整 README 按其实际说明安装，勿臆测包名。
4接入 Diffusers 使用
README 明确有“Use the SOTA Multistep DPM-Solver++ with Diffusers”章节，说明可直接在 Diffusers 中使用 DPM-Solver++，具体调用代码见该章节（节选被截断）。
5直接用于采样
DPM-Solver 是免训练的快速 ODE 求解器，可直接替换现有扩散模型的采样器，无需重新训练模型。
README 未提供启动成功判定方式；运行仓库示例后若能以约 10~20 次函数评估生成高质量样本即为生效。
Q：需要重新训练模型吗？
A：不需要。README 明确说明 DPM-Solver 适用于离散时间和连续时间扩散模型，且无需任何额外训练。
Q：采样需要多少步？
A：README 给出的实验结果是仅需约 10~20 次函数评估（function evaluations）即可在多个数据集上生成高质量样本。
Q：支持哪些模型？
A：README 展示了与 Guided-Diffusion、Stable-Diffusion、DiffEdit 的配合效果，并提供了在 Diffusers 中使用 DPM-Solver++ 的章节。
Q：为什么没有安装命令？
A：本次提供的 README 节选未包含安装与依赖说明，为避免编造包名和参数，仅给出可确认的仓库克隆步骤。
DDIM、UniPC、DPM-Solver++
dpm-solver 是模型训练领域的开源项目，由 LuChengTHU 开发，2022 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（1,856）位列前 30%，在模型训练分类中处于中上游。
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 2026-09-17。MIT许可证，完全免费，可自行部署使用。
它主要面向的使用场景是：实时或交互式图像生成，如AI绘画工具、设计辅助。同类可对比的替代方案包括 DDIM、UniPC、DPM-Solver++。
上一篇：lora-scripts
下一篇：TinyEngram
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···