去噪步数

扩散或流匹配模型生成一次结果要调用几次网络，直接决定推理速度。

扩散模型和流匹配模型生成样本不是一步到位，而是从噪声出发反复调用网络，每次修正一点。调用网络的次数就是去噪步数，文献里常用 NFE（网络函数评估次数）精确计数。步数越多，结果通常越精细，但耗时近似成正比增加。对机器人这一点很要紧，因为策略要在闭环控制里实时给出动作。各方法取值差别很大：DDPM 原论文用 1000 步；Diffusion Policy 训练用 100 步，推理借 DDIM 降到 10 步；π0 用流匹配积分 10 步；GR00T N1 只用 4 步。一致性模型、平均流等方法则追求 1 到 2 步生成。注意训练时的扩散步数和推理时的采样步数可以不同，推理步数一般能在部署时调整。

例子π0 预测一段 50 步长的动作块时，从高斯噪声出发积分 10 步（每步 δ=0.1），也就是每出一段动作要调用 10 次动作专家。

也叫

采样步数、推理步数、积分步数、Sampling Steps

相关

去噪扩散概率模型、去噪扩散隐式模型、流匹配、一致性模型、推理延迟、单步生成

来源

π0: A Vision-Language-Action Flow Model for General Robot Control (arXiv 2410.24164)
GR00T N1: An Open Foundation Model for Generalist Humanoid Robots (arXiv 2503.14734)
Diffusion Policy: Visuomotor Policy Learning via Action Diffusion (arXiv 2303.04137)