概率建模是一种严谨的框架，可用于模型聚合，在生成对抗网络（GAN）的背景下，该框架已成为缓解模式崩溃问题的主要机制。本文提出了一种面向GAN的新型概率框架——ProbGAN，该框架通过精心设计的先验分布，迭代地学习生成器的概率分布。通过引入一种针对特定任务优化的随机梯度哈密顿蒙特卡洛方法，并结合一种新颖的梯度近似技术，实现了高效的贝叶斯推断。理论分析进一步表明，我们的方法是首个能够实现均衡状态的概率框架，其中生成器分布能够忠实反映真实数据分布。在合成的高维多模态数据以及图像数据集（CIFAR-10、STL-10和ImageNet）上的实证结果表明，与当前最先进的多生成器GAN方法及其他概率化GAN方法相比，本方法具有显著优势。