---
title: "生成式模型（Generative Model）"
slug: generative-model
language: zh-TW
source: https://aiterms.tw/terms/generative-model
updated_at: 2026-06-22
tags: [生成式AI, 深度學習, 大型語言模型, 模型訓練]
ipas_term: false
---

# 生成式模型（Generative Model）

生成式模型（Generative Model）是能夠學習資料的機率分布並從中生成新樣本的機器學習模型，涵蓋 GAN、VAE、擴散模型等架構，廣泛應用於影像合成、文字生成與資料擴增。

## 完整說明

生成式模型（Generative Model）旨在學習訓練資料的底層機率分布 P(x)，並能從該分布中採樣以生成與訓練集風格相似但全新的樣本。與判別式模型（Discriminative Model）只學習條件機率 P(y|x) 不同，生成式模型掌握資料的完整生成機制。主要架構包含生成對抗網路（GAN）、變分自編碼器（VAE）、自回歸模型（如 GPT 系列）以及擴散模型（Diffusion Model）。應用場景涵蓋影像生成、文字生成、語音合成、資料擴增及藥物分子設計等領域。

## 常見問題

### 生成式模型和判別式模型的根本差異是什麼？

判別式模型（如 SVM、傳統分類神經網路）學習從輸入到輸出的映射，也就是條件機率 P(y|x)，目標是「給定這個輸入，最可能的標籤是什麼」。生成式模型學習的是資料本身的聯合機率 P(x) 或 P(x, y)，目標是「這類資料的生成機制是什麼，我能從中造出新的樣本嗎」。實務上，判別式模型在有充足標記資料的分類任務中往往效能更高；生成式模型的優勢在於能生成新樣本、處理無標記資料，以及在資料量少時利用對資料結構的建模進行更好的泛化。

### GAN 訓練的模式崩潰問題如何緩解？

模式崩潰（Mode Collapse）指生成器只學會生成有限幾種樣本，而忽略訓練資料的其他模式。常見緩解策略包含：採用 Wasserstein GAN（WGAN）改用更穩定的 Wasserstein 距離替代原始 JS 散度；使用 Minibatch Discrimination 讓判別器感知批次內的多樣性；採用漸進式訓練（Progressive Growing）從低解析度逐步增長；或以條件 GAN（Conditional GAN）提供類別資訊引導生成。在許多高品質影像生成任務中，業界已轉向擴散模型以規避 GAN 的訓練穩定性問題。

### iPAS 考題中生成式模型常測驗哪些知識點？

iPAS 中級考題常從三個角度測驗生成式模型：一是架構辨識（VAE 的 ELBO 損失函數、GAN 的對抗訓練機制、擴散模型的去噪過程）；二是生成式 vs 判別式模型的比較（學習 P(x) 還是 P(y|x)、各自的應用場景與優缺點）；三是生成模型的評估指標（Fréchet Inception Distance, FID 衡量影像生成品質；Inception Score, IS；BLEU/ROUGE 用於文字生成）。考生需能從題目的問題描述中快速判斷題目屬於哪個架構類別，並掌握各架構的核心訓練目標。

---

來源：https://aiterms.tw/terms/generative-model
快查頁：https://aiterms.tw/terms/generative-model
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-generative-model