一句话定义：一致性模型（Consistency Models）是一类生成模型，它学会把任意时刻、任意强度的带噪数据，都映射回同一个干净样本，因此可以一步、也可以少数几步完成生成。
它是怎么做到的
扩散模型（AI 词典：Diffusion Model">Diffusion Model）的生成过程像“倒放”加噪：先给图片加噪，再一步步学会去噪。生成一张图，往往要跑几十次网络，慢。
一致性模型换了个思路：它不去学“这一步怎么去一点噪”，而是直接学“不管你现在有多糊，都回到那张原图”。训练时，把一张干净图片加上不同程度的噪声，得到一堆版本，然后要求模型对这些版本的输出必须一致——这就是“一致性”的由来。同时约束噪声最轻的版本几乎原样输出，防止模型跑偏。
一个生活化的比方：你手里有一张照片，被做了从轻微到严重的几十档模糊处理。扩散模型是逐档锐化，一格一格往回推；一致性模型是训练一位修图师，看一眼任何模糊版本，就敢直接交出原图。因为训练时反复要求“同一张照片的所有模糊版本必须还原成同一张”，修图师不会因为输入更糊就交出另一张脸。
采样时，一致性模型可以从纯噪声一步生成，也可以把时间轴切成两三段，先生成粗结果再补细节，在质量和速度之间取舍。
和相邻概念的区别
一致性模型和扩散模型不是取代关系。常见做法是先训练一个扩散模型，再蒸馏出一个一致性模型，用少量质量损失换数量级的加速；也有从头独立训练（一致性训练）的路线。这条路线提出后，很快被社区用来给已有的扩散模型提速。
对从业者和普通人意味着什么
对从业者，它把推理成本从“几十次前向”压到“一次或几次”，在实时图像编辑、视频生成、手机与边缘设备上很关键。但它不是免费午餐：一步生成通常比多步精细采样略糊，需要按场景决定步数，缓存、批处理、量化等工程手段也依然重要。
对普通人，最直观的变化是等待时间：从“输入提示词，等十几秒出图”变成“几乎立刻看到结果”。这种延迟下降，往往比画质小幅提升更能改变产品形态——能实时预览，交互方式就会完全不同。具体实现方式、支持的步数与实际效果，以各框架官方页面为准。