上一页学习当前位置的运动方向。若想减少调用，只把中间几张图从屏幕上删掉没有用；模型必须学到足以支持长距离更新的关系。这里比较两种不同的学习任务。

第一种把同一条生成轨迹上不同阶段的状态，都映射到一致的数据端点。想象沿同一条路站在三个位置，问“沿这条路最后到哪里”，答案应相容。Yang Song、Prafulla Dhariwal、Mark Chen 与 Ilya Sutskever 的 Consistency Models 研究这类跨阶段一致性，以支持一步或少步生成。

“不同阶段都指向同一张图，岂不是所有噪声都只能生成它？” 约束比较的是同一轨迹上的阶段。另一条轨迹可以通向另一张图；没有要求所有随机起点共享同一个终点。这项“同轨迹终点”约束，也不能直接替换成普通受损图监督下所有合理干净来处的条件平均；两者定义的学习关系不同。若不区分“同一路上的位置”和“全体样本”，就会把一致性误读成模式坍缩。

还要问谁提供路线关系。一致性蒸馏可以利用预训练扩散模型；直接一致性训练则从数据与相邻噪声阶段构造训练关系。直接训练没有现成教师，不等于不需要目标分支、边界条件或稳定的训练设计。这两条路线的前置成本与监督来源应分开说明。

第二种把“这次要跨多远”直接交给模型。Shortcut Models 由 Kevin Frans、Danijar Hafner、Sergey Levine 与 Pieter Abbeel 提出：对同一起点，比较一次大跨度更新与连续两次半跨度更新的结果是否相容，并以小步的方向监督作为基础。跨度改变时，网络回答的任务也改变；不是把同一个局部箭头机械乘大。

“用模型自己的小步结果教大步，会不会把错误一起学进去？” 这是需要关注的风险。组合一致性使不同步长之间相互约束，却不能凭空保证小步方向已经正确。因此数据提供的基础监督、训练过程与最终样本评价都仍然重要。课堂箭头解释的是约束，不能据它宣布某个一步结果已经与多步质量相同。

下一页再比较一种跨段预测对象：不只询问终点或步长相容，而是直接学习指定区间上的平均变化。

同一生成循环，本页改变跨区间一致性

当前表示 → 模型预测 → 更新规则 → 下一状态 跨区间一致性