一句话定义：概率流 ODE（Probability Flow ODE）是扩散模型背后的一条确定性常微分方程——它和常用的反向随机采样（SDE，随机微分方程）在每一时刻生成同样的概率分布，但把随机项去掉了，于是"生成一张图"变成了"解一个方程"。
它是怎么来的
扩散模型的前向过程是不断往数据里加噪，直到变成纯噪声；反向过程则是从噪声一步步"去噪"回到数据。教科书式的写法是反向 SDE：每一步除了沿着"数据密度上升"的方向走（漂移项），还要额外注入一点随机噪声（扩散项）。
概率流 ODE 做的事情是：把注入的随机噪声拿掉，同时在漂移项里补上一个大小恰好一半的确定性修正。结果是——两者在任意时刻的边缘分布完全相同，也就是说人群整体的落脚点分布一致，只是每个人的走法变了。
写成公式大致是：dx/dt = f(x,t) − ½·g(t)²·∇log p_t(x)，其中 ∇log p_t(x) 就是所谓的 score，训练好的去噪网络（通常预测噪声 ε 或速度 v）可以估计它。
打个比方：一群人要从山顶（纯噪声）下到山谷里的各个村庄（真实数据）。随机采样像每个人每一步都随机抖一下，路线各不相同，但最终人群疏密符合要求；概率流 ODE 则像根据人流密度事先画好的"水道"，每个人顺着流线走，不抖、不绕，密度依然是那个密度。
和相邻概念的区别
| 反向 SDE | 概率流 ODE | |
|---|---|---|
| 随机性 | 每步注入噪声 | 无随机项 |
| 采样步数 | 通常需要很多步 | 可用高阶求解器大幅减少 |
| 可复现性 | 依赖随机种子 | 同一初始点必然同一结果 |
| 中间轨迹 | 随机、不可复现 | 确定，可插值、可反演 |
| 边缘分布 | 相同 | 相同 |
最容易被混淆的是 DDIM：DDIM 可以看作概率流 ODE 的一种离散化实现（一个特例），而概率流 ODE 是更一般的连续形式，允许直接套用数值分析里的成熟工具。
对从业者意味着什么
第一是加速。既然是解 ODE，就能用高阶 Runge–Kutta、指数积分器这类求解器，用十几到几十步逼近原本几百上千步的效果；这也是很多少步蒸馏、一致性模型（Consistency Model）方法的出发点——沿着 ODE 轨迹做步数压缩。
第二是可控与可逆。确定性意味着同一张噪声图必然对应同一张输出图，而且可以反过来从图像解出对应的初始噪声，用来做图像编辑、插值、属性调整。
代价也要知道：少了随机项，采样结果的多样性有时会略逊于随机采样；步数压得太狠会有离散化误差；score 估计不准时误差会沿着轨迹累积。具体求解器与步数配置，以各框架和官方文档为准。
一句话记住：概率流 ODE 就是"把扩散模型的随机下山路，换成一张确定的水流图"。