OYS 直接搜尋擴散模型去噪時間步，5 步生成保留 50 步品質的 89% 至 94%

擴散模型的推論成本通常以去噪網路前向運算次數計算；工程實作常直接縮短預設時間步，卻未必在低步數下保留最佳品質。康乃爾大學等研究者提出 Optimize Your Sampling（OYS），把時間步、guidance strength 等取樣參數視為黑箱，直接以貝葉斯最佳化搜尋能提高目標指標的設定。它不需反向傳播穿過完整取樣鏈，也不要求評分函數可微，因此可最佳化 HPS、LPIPS、PSNR 或特定任務的非微分評分。

這與 Align Your Steps（AYS）最佳化擴散 SDE 離散化 KL 上界的做法不同。OYS 每輪實際生成一批影像，再由 surrogate model 與 acquisition function 選擇下一組候選時間步；代價較高，但最佳化的是最後真正使用的品質指標。這筆搜尋成本只在每個模型與任務調校時支付，之後可由大量線上推論攤銷。

在 COCO Captions 的五步測試中，DeepFloyd、Stable Diffusion 1.5 與 SDXL 的 OYS HPS 分別為 0.252、0.238、0.245；相同步數的預設排程分別為 0.215、0.230、0.229。SDXL 的 OYS 影像相對預設排程取得 70.70% HPS 勝率。對原本即為少步生成而蒸餾的 SDXL-Turbo，三步 OYS 仍由 0.287 提升至 0.298。FLUX.1-dev 與 Qwen Image 的五步勝率則分別為 82.69% 與 77.19%。58 人參與的 SDXL 實驗亦偏好 OYS 的保真度與文字對齊。

研究將五步排程概括為保留五十步品質的 89% 至 94%，意味成熟模型可在不重訓權重下減少約十倍網路評估。不過這不是十倍端到端服務加速：文字編碼、解碼、批次調度及資料傳輸仍有固定成本。最佳排程也高度依賴模型、提示分布、sampler 與評分指標；例如 FLUX.1-dev 的調校需生成 5,376 張影像。部署方下一步應觀察排程能否跨 LoRA、量化版本與實際中文提示泛化，以及作者是否釋出可重現的搜尋程式與排程檔。