现在已有完整的预测—更新循环。上排展示五张状态图，之间有四个更新箭头；第一张是起点，不是一次预测产生的结果。在本页每个箭头对应一次模型调用的约定下，五张状态只需四次调用。下排三张状态对应两次调用，才是另一种真正减少计算步骤的计划。少展示两张中间图，不会自动少做任何一次计算。

DDIM 所代表的思路，是在合适的训练构造与参数化下复用预测器，改变更新规则和取用的时刻，研究能否用更少步骤完成生成。它不只是播放时跳帧；实际下一状态的计算已经不同。减少调用可能带来更快推理，也可能增大离散更新误差，必须在相同任务与预算口径下测量质量和耗时。

有一个容易混淆的理论区别：每个时刻的一组样本怎样分布，和一条样本从前一时刻怎样走到后一时刻，并不是同一对象。在相应连续时间设定、正确 score 与满足所需条件时，随机过程和确定过程可以对应相同的时刻边缘分布，却有不同的样本轨迹。分布关系不能被缩成“固定同一个随机起点，二者就走同一条路、得到同一张图”。

“图上两条计划画到同一个终点，已经证明少步一样好吗？” 没有。课堂把终点对齐，是为了比较计划，不能替代误差验证。真实模型给出的方向本身可能不准确，这是模型误差；有限步数求解带来的偏差是数值误差。换一个更好的求解器可以减少后一类，却不会自动消除前一类。

真实系统还应记录网络调用数，而不只记更新步数：有的求解器每步会评估多次，有条件引导也可能需要额外分支。墙钟时间还包含每次调用的工作量、批量和设备条件。本页的四次与两次只是画面明确规定的简单计划，不是某一方法的测速结果。

更少调用是一种价值，但生成还要守住输入要求。下一页把“更听话”与对象完整、候选多样分开检查。