北大联合小红书提出Uni-Instruct：ImageNet生图FID进入1.0时代！

近年来，单步扩散模型因其出色的生成性能和极高的推理效率，在图像生成、文本到视频、图像编辑等领域大放异彩。目前主流的训练方法是通过知识蒸馏，最小化学生模型与教师扩散模型之间的分布差异。然而，现有的方法主要集中在两条平行的理论技术路线上：

• 基于 KL 散度最小化的方法（如 Diff-Instruct[1]，DMD[2] 等）：收敛速度快，但可能存在模式崩溃问题，进而导致生成性能差。
• 基于分数散度最小化的方法（如 SIM[3]，SiD[4] 等）：蒸馏性能更好，但训练收敛较慢。

这两条路线似乎在理论上是割裂的。那么，我们能否将它们统一在一个共同的理论框架下？如果可以，这个统一的框架能否带来更强的模型性能？

来自北京大学、小红书 hi lab 等机构的华人研究者共同提出了名为 Uni-Instruct 的单步生成大一统理论框架，目前已被 NeurIPS 2025 接收。该框架不仅从理论上统一了超过 10 种现有的单步扩散模型蒸馏方法，更是在多项任务上取得了当前最佳（SoTA）性能。