Diffusion
Diffusion
Diffusion 的核心概念是「從純雜訊開始、逐步去噪生成完整資料的神經網路架構」。產圖（Stable Diffusion、Flux、SDXL）、產影片、產音樂多半用 Diffusion。它跟寫 code 用的 Transformer 是兩個獨立的生成式 AI 路線、推論流程、工具鏈、適合任務都不同。
概念位置
Diffusion 模型一次處理整張圖、用「去噪 N 步」的方式生成；跟 Transformer 的「一個 token 接一個 token」生成方式根本不同。記憶體需求、硬體最適規格、生態系都是平行宇宙。
可觀察訊號與例子
Diffusion 跟 Transformer 工具鏈完全不通用：
| 維度 | Transformer LLM | Diffusion |
|---|---|---|
| 主流模型 | Gemma 4、Qwen3、Llama 3.3、GPT-5 | Stable Diffusion、Flux、SDXL |
| 推論伺服器 | Ollama、LM Studio、llama.cpp、oMLX | ComfyUI、Draw Things、AUTOMATIC1111、Diffusers |
| 推論時間 | 每秒幾十 tok（autoregressive） | 整張圖 15 ~ 60 秒（一次到位） |
| 硬體最適 | 記憶體大、頻寬高 | GPU 算力高、VRAM 頻寬高 |
| Prompt 風格 | instruction 形式 | descriptive + negative prompt |
| 量化技術 | GGUF、MLX | 各家不同、Diffusers 為主 |
設計責任
聽到「換 model 就能產圖」的說法時、回到本卡確認：產圖是另一個領域、要切換到 Diffusion 工具鏈、而非在 Ollama 上下載產圖模型。寫 code 工作流跟產圖工作流分開學、避免兩邊半生不熟。對 Mac 使用者來說、Draw Things（macOS 原生 app）是產圖入門的最低門檻路徑。