本文探讨了生成模型在自我消耗循环中的训练挑战，提出了模型自噬障碍（MAD）概念，并分析了合成数据与真实数据的关系。研究表明，合成数据能提升性能，但真实数据仍不可或缺。扩散模型在图像生成中表现优异，未来需平衡真实与合成数据的使用，以优化生成效果并解决伦理问题。

本文研究了在自我消耗循环中训练生成模型的新挑战，通过连续的模型生成从先前一代模型生成的真实和合成数据的混合进行递归训练。研究发现，在混合训练数据集大小足够大或真实数据比例足够大的条件下，可以有效控制数据分布的变异距离。此外，研究还提供了关于在自我消耗循环中最佳早停策略的细微见解。