一句话定义
能量模型（Energy-Based Model，EBM）是一类不直接输出概率、而是给每一种「可能的配置」打一个能量分数的模型：能量越低，这个配置越合理。
原理：把世界画成一张地形图
假设你要判断一张图、一句话或一个动作是否「像真的」。一般模型会让你算概率 p(x)，能量模型则只给你一个数 E(x)——能量。二者通过一个简单关系挂钩：能量越低，概率越大，大致是 p(x) 正比于 exp(−E(x))。
可以把它想成一张地形图：每个可能的样本都是地图上的一个点，山谷是低能量区（合理样本密集），山峰是高能量区（荒谬样本）。模型训练的过程，就是把真实数据的点「压」进山谷，把乱来的点「抬」到山上。生成新样本，就是从山上随便丢一个球，让它顺着坡滚下去，最后停在山谷里——这个过程在数学上叫采样。
它和邻居们的区别
麻烦就出在「通常不能」。要把能量换成概率，得除以一个归一化常数（配分函数，partition function），也就是整张地形图的「总面积」。这个量需要对所有可能的样本求和，在图像、文本这种高维空间里根本算不完。所以能量模型发明了一堆绕路办法：不去算概率本身，而是算概率对输入的梯度（叫分数，score），它恰好等于能量梯度的相反数；再用马尔可夫链蒙特卡洛（MCMC）之类的方法在地形上「滚球」。
和扩散模型到底什么关系
关系很近。扩散模型（Diffusion Model）每一步学的「往哪个方向去噪」，本质上就是在估计数据密度的分数，也就是能量的负梯度。也就是说，扩散模型不告诉你能量是多少，只告诉你山坡朝哪边下降。它做的采样，可以理解成把一次困难的 MCMC 滚球，拆成几十上百个小碎步，每一步都好学也好走。所以业内常把扩散模型看作一类「隐式的、被驯化过的能量模型」——同一种世界观，换了一套更稳的训练和采样方式。
对从业者的意义
能量模型最大的价值是统一视角：分类可以看成给正确类别更低的能量；强化学习里奖励取负号就是能量；约束、格式要求、安全规则，都能写成一个个能量项，叠加起来「引导」输出往某个方向走。做生成、做推理时搜索、做可控性的人，脑子里有一个能量地形图，会比只盯着概率分布更容易想清楚「我该怎么把模型推向我要的结果」。
需要提醒的是，具体实现和工具链更新很快，选型时以官方文档为准。