在分析集成学习时，我们可以考虑各个选项的准确性：

1. **A: 单个模型之间有高相关性**

- 在集成学习中，尤其是像Bagging（如随机森林）这种方法，期望单个模型之间具有低相关性。这是因为通过组合多个低相关的模型，可以有效地减少模型的方差，从而提高整体模型的性能。

2. **B: 在随机森林的单个树中, 树和树之间是有依赖的, 而GradientBoosting Trees中的单个树之间是没有依赖的**

- 这个说法不正确。实际上，在随机森林中，单个树之间是相互独立的，因为每棵树都是由随机选择的数据子集和特征子集生成的。而在Gradient Boosting Trees中，单个树之间是有依赖的，因为每棵树都是通过对前一棵树的残差进行拟合来生成的。

3. **C: 我们可以并行地生成GradientBoosting Trees单个树, 因为它们之间是没有依赖的, GradientBoosting Trees训练模型的表现总是比随机森林好**

- 这个说法是错误的。正如在选项B中提到的，Gradient Boosting Trees中的树是有依赖的。因此，在生成Gradient Boosting Trees时，不能并行生成每棵树，必须按顺序生成。此外，Gradient Boosting Trees与随机森林各有优势，不能简单地说一个总是比另一个好。Gradient Boosting Trees在参数调优良好的情况下可能表现更好，但随机森林在处理噪声和无需复杂调参时可能更稳定。

综上所述，正确答案是：**没有一个选项是完全正确的**。