Les Modèles de diffusion probabilistes (DPMs) ont connu un succès considérable dans les tâches de génération. Étant donné que l’échantillonnage à partir des DPMs revient à résoudre une équation différentielle stochastique (SDE) ou une équation différentielle ordinaire (ODE) de diffusion, une tâche coûteuse en temps, de nombreuses méthodes rapides d’échantillonnage fondées sur des solveurs améliorés d’équations différentielles ont été proposées. La majorité de ces techniques se concentrent sur la résolution de l’ODE de diffusion, en raison de son efficacité supérieure. Toutefois, l’échantillonnage stochastique peut offrir des avantages supplémentaires en matière de diversité et de qualité des données générées. Dans ce travail, nous menons une analyse approfondie de l’échantillonnage stochastique sous deux angles : la SDE de diffusion à variance contrôlée et le solveur SDE à plusieurs étapes linéaires. À partir de cette analyse, nous proposons \textit{SA-Solver}, une méthode améliorée et efficace de type Adams stochastique pour résoudre les SDE de diffusion, permettant ainsi de générer des données de haute qualité. Nos expérimentations montrent que \textit{SA-Solver} atteint : 1) des performances améliorées ou comparables aux méthodes d’échantillonnage d’avant-garde (SOTA) existantes pour un petit nombre d’étapes d’échantillonnage ; 2) un score FID d’avant-garde (SOTA) sur de nombreux jeux de données standards, pour un nombre adéquat d’évaluations de fonction (NFE). Le code est disponible à l’adresse suivante : https://github.com/scxue/SA-Solver.