Generative AI with Stochastic Differential Equations
用概率路径、向量场与微分方程统一理解流匹配和扩散模型。
关于这组笔记
个人自学讲义，以 IAP 2026 课程为主线，加入自编前置、扩展讲义与实验；扩展主题不等同于原课正式讲次。
查看原课程资料适合的起点
建议熟悉概率、向量微积分、Python 与基础深度学习。
本系列为个人学习整理，非学校官方发布，不代表学校或授课教师的认可或背书。
沿着目录阅读
当前 11 篇预备知识
课程讲义
- Lecture 01第 1 讲 · 流模型与扩散模型 · Flow and Diffusion Models
- Lecture 02第 2 讲 · 流匹配 · Flow Matching
- Lecture 03第 3 讲 · 得分函数、得分匹配与随机采样 · Score Functions, Score Matching & Stochastic Sampling
- Lecture 04第 4 讲 · 引导：怎样按提示生成 · Guidance
- Lecture 05第 5 讲 · 潜空间与神经网络架构 · Latent Spaces & Neural Network Architectures
- Lecture 06第 6 讲 · 离散扩散模型——用扩散构建语言模型 · Discrete Diffusion Models
- Lecture 07第 7 讲（扩展）· 少步生成——Reflow、蒸馏、一致性模型与 MeanFlow · Few-Step Generation
- Lecture 08第 8 讲（扩展）· 生成式机器人 · Generative Robotics
- Lecture 09第 9 讲（扩展）· 流形上的生成——以蛋白质结构为例 · Generative Modeling on Manifolds
从讲义到代码
按课程目录整理的配套示例，保留各单元的文件结构。阅读讲义时，可以下载整套代码，在本地逐步探索。
下载 MIT6.S184 代码请在独立虚拟环境中查看依赖后运行；未附模型权重和运行产物；示例未逐一验证。