该方法将分布匹配蒸馏从离散调度迁移到连续时间优化框架。这使得 CDM 可以更好地使学生生成器与扩散轨迹上的教师分布保持一致，从而在少量函数评估的情况下提高几步质量。该方法在现代图像生成主干（例如 SD3-Medium 和 LongCat 型图像模型）上进行了演示，其中四步生成可以比竞争的蒸馏基线保留更清晰的细节。
对于开发人员和研究人员来说，当图像质量和速度都很重要时，CDM 非常有用。它可以为更快的文本到图像产品、本地生成管道以及高效扩散采样的研究提供信息。该产品最好理解为一种模型蒸馏技术，通过更少的降噪步骤实现高质量发电，从而提高扩散系统的部署经济性。
