Distribution Matching Distillation (DMD)는 모든 스케일에 걸쳐 노이즈가 섞인 분포 (noised distributions)를 정렬함으로써, 사전 학습된 확산 모델 (diffusion models)을 효율적인 Few-Step 생성기 (few-step generators)로 압축합니다. 원칙적으로, 이러한 분포 수준의 감독 (distribution-level supervision)은 교사 모델 (teacher)의 특정 노이즈-데이터 쌍 (noise-data pairings)에 구애받지 않습니다. 이는 학생 모델 (student)에게 잠재 노이즈 (latent noise)를 재매핑 (remap)할 수 있는 자유를 제공하며, 이러한 행동은 저차원 (low-dimensional) 설정에서 일관되게 관찰되었습니다. 놀랍게도, 우리는 고차원 (high-dimensional) 설정에서 증류된 학생 모델이 교사 모델의 원래 노이즈-데이터 쌍을 자발적으로 재현한다는 것을 발견했으며, 이 현상을 복제 (copying)라고 명명합니다. 우리는 복제가 적대적 목적 함수 (adversarial objectives)의 부산물도 아니고 교사 모델 암기 (teacher memorization)의 결과도 아님을 입증합니다. 대신, 우리의 증거는 복제가 고차원 증류 (high-dimensional distillation) 과정 중 학생 모델의 제한된 기하학적 자유도 (geometric freedom)에서 발생하는 창발적 특성 (emergent property)임을 시사합니다.