​​生成式模型是一类能够学习数据分布并生成新样本的AI技术，核心类型包括生成对抗网络（GANs）、变分自编码器（VAEs）、自回归模型（如Transformer）、扩散模型以及流模型等。​​ 这些模型通过不同的机制实现数据生成，广泛应用于图像、文本、音频和视频创作，推动AI从“判别”走向“创造”。

1. ​​生成对抗网络（GANs）​​
   由生成器和判别器组成，通过对抗训练生成逼真数据。GANs擅长图像生成和风格迁移，例如生成人脸、艺术作品或数据增强。其变体如StyleGAN和CycleGAN进一步提升了生成质量和应用场景。

2. ​​变分自编码器（VAEs）​​
   基于概率图模型，通过编码器-解码器结构学习数据的潜在分布。VAEs在图像去噪、推荐系统中表现稳定，但生成样本的细节质量通常略逊于GANs。

3. ​​自回归模型​​
   通过逐元素预测生成序列数据，如文本或音频。典型代表包括PixelRNN（图像生成）和GPT系列（文本生成），后者依托Transformer架构实现了强大的语言理解和创作能力。

4. ​​扩散模型​​
   通过逐步去噪从随机噪声中生成数据，近年来在高质量图像和视频生成中表现突出。其逆向过程能精细控制输出细节，但训练成本较高。

5. ​​流模型​​
   直接建模数据分布与潜在空间的映射关系，生成过程可逆且解释性强，适用于概率建模和数据去噪，但对计算资源要求较高。

随着技术进步，生成式模型正突破创作边界，从艺术设计到科学模拟，成为多领域创新的核心工具。未来，模型效率与多模态能力的结合将进一步拓展其应用潜力。