生成模型和判别模型是机器学习中的两种重要模型，它们在训练方法、对数据的假设、应用场景等方面存在显著差异。

1. 训练方法：生成模型的目标是学习数据的联合分布，而判别模型的目标是学习数据的条件分布。因此，生成模型通常使用无监督学习进行训练，例如通过对大量数据采样并学习其分布特征，而判别模型则通常使用有监督学习，例如使用标签数据进行训练。
2. 对数据的假设：生成模型通常假设数据是从某个未知的联合分布中独立同分布抽取的，而判别模型则假设数据是从某个已知的条件分布中独立同分布抽取的。
3. 应用场景：生成模型在生成任务、聚类任务、降维任务等方面有很好的表现，例如生成对抗网络（GAN）、自编码器等都属于生成模型。判别模型在分类任务、回归任务等方面有较好的表现，例如逻辑回归、支持向量机、决策树等都属于判别模型。

总的来说，生成模型和判别模型各有其优点和适用场景，选择使用哪种模型需要根据具体的问题和数据特性来决定。