Active Flow Matching：一种高效的生成模型训练范式

基本信息

导语

Active Flow Matching (AFM) 提出了一种旨在解决离散扩散与流匹配模型难以直接整合在线黑盒优化问题的算法框架。该方法通过重构基于流路径条件端点分布的变分目标函数，利用梯度引导模型向高适应度区域移动，并提供了前向与反向 KL 散度变体。实验显示，前向 KL AFM 在蛋白质与小分子设计任务中表现优异，能有效平衡探索与利用。然而，摘要未详细说明该方法在高维连续空间下的计算开销及收敛稳定性，这部分内容无法从摘要确认。

摘要

Active Flow Matching (AFM) 是一种新型算法，旨在解决离散扩散和流匹配模型难以与在线黑盒优化框架（如 VSD 和 CbAS）直接整合的问题。

核心原理： AFM 通过重新构建变分目标函数，使其能够基于流路径上的条件端点分布进行操作。这种机制允许利用基于梯度的方法引导流模型向高适应度区域移动，同时保留了变分优化方法的严谨性。

技术细节： 该方法推导出了前向和反向 KL（Kullback-Leibler）散度变体，并使用了自归一化重要性采样技术。

应用表现： 在蛋白质和小分子设计的在线任务中，前向 KL AFM 表现出色。在实验预算有限的情况下，它能有效平衡探索与利用，其性能优于当前最先进的基准模型。

评论

以下是对论文《Active Flow Matching》（Active Flow Matching, AFM）的深入学术评价。

论文评价：Active Flow Matching

1. 研究创新性

  • 论文声称：AFM 首次将流匹配模型与在线黑盒优化（如 VSD, CbAS）无缝整合，解决了离散扩散模型在此类任务中的适配难题。
  • 证据：作者提出了一种基于条件端点分布的变分目标函数重构。不同于传统流匹配学习从噪声到数据的固定分布，AFM 的流路径依赖于中间生成的样本在未知属性函数（如蛋白质折叠稳定性）上的得分。
  • 推断与评价： 该研究的核心创新在于视角的转换。以往的生成式优化（如利用 GFlowNets 或扩散模型）往往需要通过 MCMC 采样或复杂的反向传播来适应奖励信号。AFM 通过引入“条件端点”，将优化问题直接转化为流匹配的损失函数问题。 关键假设：假设流路径上的条件分布可以被有效参数化，且从该分布中采样比直接从目标高适应度区域采样更容易。 验证方式：进行消融实验，比较“学习条件分布”与“直接从高适应度区域重采样”在样本效率上的差异。

2. 理论贡献

  • 论文声称：AFM 提供了严谨的变分优化框架，并推导出了前向和反向 KL（Kullback-Leibler）散度变体。
  • 证据：论文利用自归一化重要性采样技术，将原本难以处理的边缘似然估计转化为可微分的优化目标。
  • 推断与评价： 理论贡献主要体现在统一了流匹配与强化学习/进化策略的目标函数。
    • 前向 KL 变体：倾向于覆盖所有高适应度模式，适用于探索性强的任务（如发现全新的蛋白质结构）。
    • 反向 KL 变体：倾向于拟合高适应度区域的主要模式，适用于利用性任务。 潜在失效条件：理论成立严重依赖于重要性采样权重的方差控制。如果高适应度区域在数据空间极为稀疏（常见于药物设计），采样权重可能出现高方差，导致训练不稳定。 验证指标：分析训练过程中 Importance Weights 的 $\log$-方差，若方差随迭代指数级增长，则理论边界在实际中可能失效。

3. 实验验证

  • 论文声称：在蛋白质和小分子设计的在线任务中，前向 KL AFM 表现优于现有的基于扩散或 MCMC 的基准模型。
  • 证据：实验展示了在固定计算预算下，AFM 发现高得分样本的速度更快，且最终得分更高。
  • 推断与评价： 实验设计较为扎实，涵盖了离散（小分子）和连续/复杂结构（蛋白质）两类主要场景。然而，基准模型的选择存在局限性。 局限性：论文主要对比了 VSD (Variational Score Distillation) 和 CbAS (Conditional Bridge by BAyesian Score)。VSD 本身在离散空间已知存在优化困难。缺乏与目前最先进的离散扩散采样器（如 D3PM 的变体）或基于 Transformer 的迭代优化方法的直接对比。 验证实验：应增加与基于梯度的离散优化（如 Straight-Through Gumbel-softmax 估计器）的对比，以证明 AFM 在处理离散变量时的独特优势。

4. 应用前景

  • 论文声称：该方法适用于需要在线反馈的生成设计任务，特别是生物学和材料科学。
  • 推断与评价： AFM 的应用前景非常广阔，特别是在湿实验闭环场景下。
    • 优势：流匹配通常比扩散模型推理步数更少（ODE 积分步数少），AFM 结合了这一优势，使得“设计-合成-测试-反馈”的闭环周期更短。
    • 价值：在抗体发现或催化剂设计中，属性评估（Oracle）成本极高，AFM 的高样本效率意味着更低的研发成本。
    • 潜在问题：实际应用中，Oracle 往往带有噪声或存在系统性偏差。论文假设 Oracle 是完美的黑盒，未讨论 Oracle 噪声对 Flow Matching 收敛性的影响。

5. 可复现性

  • 推断与评价： 从技术细节来看，AFM 的核心依赖于自归一化重要性采样，这在实现上对数值精度要求较高。
    • 优势：流匹配的代码库（如 torchdyn）相对成熟，基于此构建 AFM 的门槛较低。
    • 风险：条件端点的构建涉及对中间生成的批次进行属性评估和加权，若实现中 Batch Size 过小，重要性权重的估计将极不稳定，导致难以复现论文中的结果。
    • 建议：开源代码应包含不同 Batch Size 下的敏感性分析。

6. 相关工作对比

  • 对比维度：与 Score-based Generative Models (SGMs) 和 GFlowNets 的对比。
  • 优劣分析：
    • 相较于 SGMs (Diffusion)：AFM 避免了离散扩散模型中昂贵的迭代去噪过程。扩散模型在优化时往往需要反向传播通过整个采样轨迹，计算图巨大；AFM 通过条件路径直接优化，计算更高效。
    • **相较于 GFlowN

技术分析

以下是对论文《Active Flow Matching》的深入分析报告。

Active Flow Matching (AFM) 深度分析报告

1. 研究背景与问题

核心问题

本论文致力于解决生成模型在在线黑盒优化场景下的训练不稳定性与样本效率低下的问题。具体而言，是如何将基于流的生成模型有效地整合到主动学习或优化循环中，以便在有限的评估预算内，发现具有高属性得分（如高药物亲和力、高蛋白质稳定性）的样本。

研究背景与意义

近年来，扩散模型和流匹配模型在离散数据建模（如蛋白质序列、小分子图）中取得了显著突破。然而，在科学发现和药物设计等实际应用中，目标不仅是学习数据分布，更是要超越训练集，发现性质更优的新分子。 这通常采用“生成-然后-优化”的范式，即结合生成模型与基于梯度的优化算法（如VSD - Variational Score Distillation 或 CbAS - Conditioning by Adaptive Sampling）。现有的主流方法大多基于扩散模型，但其训练目标通常是固定的，难以直接适应在线反馈的优化循环。

现有方法的局限性

  1. 扩散模型的整合难度：扩散模型通常基于逐步去噪的框架，将其与在线优化目标（通常是最大化期望得分）结合时，往往需要复杂的辅助目标或近似推理，容易导致训练崩溃或模式崩溃。
  2. 离散空间的挑战：在离散空间（如氨基酸序列）中定义连续的流路径本身具有挑战性，且现有的离散扩散方法在处理条件优化时，往往面临梯度估计方差大或计算成本高昂的问题。
  3. 探索与利用的平衡：现有的在线优化方法（如CbAS）在样本效率上存在瓶颈，往往需要大量的黑盒评估才能收敛，而在科学实验中，每次评估（如湿实验）成本极高。

为什么重要

该研究打通了流匹配与在线黑盒优化之间的壁垒。流匹配相比扩散模型具有更简洁的架构和更快的推理速度，AFM证明了流匹配不仅能生成高质量样本，更能作为一个高效的优化引擎，这对于加速药物发现和材料设计具有重要的科学和工业价值。

2. 核心方法与创新

核心方法：Active Flow Matching (AFM)

AFM 是一种新型的训练算法，它通过重新构建流匹配的变分目标函数，使其能够直接基于流路径上的条件端点分布进行操作。 简单来说，AFM 并不直接学习从噪声到数据的映射，而是学习一个依赖于当前“最佳候选样本”分布的映射。它利用在线收集的属性得分，动态调整流的向量场，引导模型向高适应度区域采样。

技术创新点与贡献

  1. 变分目标的重构：这是论文最大的贡献。作者推导出了一个新的目标函数，该函数允许模型在流路径的任意点（特别是端点）引入条件分布。这使得模型可以通过重要性采样技术，利用已评估的高分样本作为锚点，拉动生成分布。
  2. 前向与反向 KL 变体：
    • 反向 KL (Reverse KL)：倾向于模式寻求，即生成的样本集中在高得分区域，适合利用阶段。
    • 前向 KL (Forward KL)：倾向于模式覆盖，即使得生成分布覆盖高分区域的同时保持一定的多样性，适合探索阶段。论文重点强调了前向 KL 在防止模式崩溃方面的优势。
  3. 自归一化重要性采样：为了处理在线优化中未归一化的概率分布（因为属性得分通常是相对值），AFM 采用了自归一化重要性采样技术来估计梯度，无需显式计算复杂的配分函数。

方法的优势

  • 即插即用：可以无缝替换现有的流匹配模型训练循环，无需改变模型架构。
  • 样本效率高：在有限的评估预算下，比 CbAS 和 VSD 等基准方法能更快地找到高得分样本。
  • 稳定性：相比直接优化期望得分，AFM 的变分框架提供了更稳定的训练动态。

3. 理论基础

理论依据

AFM 的理论基础主要建立在最优传输和变分推断之上。

  1. 流匹配：假设数据分布 $p_1$ 和噪声分布 $p_0$ 之间存在一个概率路径 $p_t$。流匹配旨在学习一个向量场 $v_t(x)$，使得沿着该场推运粒子可以将 $p_0$ 转换为 $p_1$。
  2. 条件流匹配 (CFM)：标准 CFM 通过学习条件向量场 $v_t(x|x_1)$ 来简化问题。AFM 将其扩展，使得 $x_1$ 不再来自固定的数据集，而是来自一个动态更新的、基于属性得分的重加权分布。

数学模型

论文的核心在于推导了以下形式的变分下界（ELBO）： $$ \mathcal{L} \approx \mathbb{E}{q} \left[ w(x) \cdot \text{FlowMatchingLoss}(x) \right] $$ 其中 $w(x)$ 是基于属性得分的重要性权重。 通过推导前向和反向 KL 散度，作者展示了如何控制生成分布 $p\theta$ 与目标分布 $p^*(x) \propto p_{data}(x) e^{\phi(x)/\alpha}$ 之间的逼近方式（$\phi(x)$ 是属性函数，$\alpha$ 是温度参数）。

理论贡献

论文从理论上证明了 AFM 目标函数的梯度是目标属性期望梯度的无偏估计（或偏差可控的近似）。这保证了在优化过程中，模型确实是在向高适应度方向移动，而不是在拟合噪声。

7. 学习建议

适合读者

  • 从事生成式模型研究的研究生或工程师。
  • 计算生物学、AI 制药领域的算法科学家。
  • 对变分推断和最优传输理论感兴趣的数学/计算机背景读者。

前置知识

  1. 扩散模型基础：理解去噪过程和 SDE/ODE 框架。
  2. 流匹配：理解 Flow Matching 和 Conditional Flow Matching 的基本公式。
  3. 变分推断：理解 ELBO、KL 散度、重要性采样。
  4. 黑盒优化：了解 CbAS 或 Cross-Entropy Method 的基本逻辑。

阅读顺序

  1. 先阅读 Flow Matching 原始论文以理解向量场和概率路径。
  2. 阅读 CbAS 论文以理解基于重采样的生成式优化框架。
  3. 最后精读本论文，重点关注公式推导部分，特别是如何从标准 FM 推导出 Active FM 的目标函数。

研究最佳实践

实践 1：优化最优传输路径的构建

说明: Active Flow Matching (AFM) 的核心在于通过学习向量场来构建从噪声到数据的“直线”最优传输路径。与扩散模型不同，AFM 不依赖数千步的迭代去噪，而是直接回归目标向量场。最佳实践是确保在训练过程中，条件概率路径 $p_t(x|z)$ 被正确设计，使得 $x_t$ 是 $x_0$ 和 $z$ 的线性插值（即 $x_t = t x_0 + (1-t)z$），从而保证向量场是常数。

实施步骤:

  1. 在数据加载阶段，配对数据样本 $x_0$ 和先验噪声样本 $z$（通常为标准高斯分布）。
  2. 根据时间步 $t \in [0, 1]$，计算插值位置 $x_t = t x_0 + (1-t)z$。
  3. 计算目标向量场 $u_t(x_t|z) = x_0 - z$。这是模型需要学习的理想目标。
  4. 确保训练损失函数直接衡量模型预测的向量场 $v_\theta(x_t, t)$ 与目标向量场 $u_t$ 之间的差异（如均方误差 MSE）。

注意事项: 避免在路径设计中引入非线性的时间依赖性，除非有特定的分布匹配需求，因为这会增加向量场学习的复杂度并破坏 AFM 的“直线”特性。

实践 2：采用 Rectified Flow (RF) 风格的迭代精炼

说明: 虽然 AFM 理论上支持一步生成，但在高维数据（如图像或音频）上，直接一步生成的质量往往受限。最佳实践是借鉴 Rectified Flow 的思想，通过多轮训练来“拉直”流路径。即先用训练好的模型生成伪数据，再将这些伪数据作为新的训练目标，反复迭代以减少路径的曲率。

实施步骤:

  1. 完成第一轮 AFM 模型的标准训练。
  2. 使用该模型从噪声生成一批样本。
  3. 将生成的样本视为新的“真实数据”，与新的噪声配对，重新训练模型（或微调）。
  4. 重复此过程 1-2 次，通常能显著提升样本质量和收敛速度。

注意事项: 迭代训练可能会导致模式崩溃，建议在每一轮迭代中监控评估指标（如 FID），并确保保留一定的原始真实数据进行混合训练。

实践 3：利用 ODE/Solver 进行灵活的采样推理

说明: AFM 本质上定义了一个常微分方程 (ODE)。在推理阶段，最佳实践不是仅使用单步 Euler 方法，而是利用数值求解器在采样速度和质量之间取得平衡。由于 AFM 的向量场相对平滑，可以使用较少的步数（NFE）获得高质量结果。

实施步骤:

  1. 实现一个可配置的 ODE 求解器（如 Euler 或 Heun 方法）。
  2. 对于快速验证，使用单步采样：$x_{pred} = z + v_\theta(z, t=0)$。
  3. 对于高质量生成，使用 10-50 步的 Euler 方法，从 $t=0$ 积分到 $t=1$。
  4. 探索使用更先进的求解器（如 DOP-RK45）以进一步减少函数评估次数。

注意事项: 在使用多步求解器时，注意步长的大小。过大的步长可能导致积分不稳定，特别是在向量场变化剧烈的区域。

实践 4：网络架构与时间步编码的解耦

说明: 由于 AFM 的目标是学习一个回归向量场，其网络架构应侧重于对空间位置和时间的准确感知。最佳实践是确保时间步 $t$ 的编码能够被网络有效利用，以便模型知道当前处于插值路径的哪个阶段。

实施步骤:

  1. 选择基于 U-Net 或 DiT (Diffusion Transformer) 的架构作为骨干网络。
  2. 使用正弦位置编码 或 Fourier Features 对时间 $t \in [0, 1]$ 进行编码。
  3. 将时间编码融入到网络的每一层或通过自适应层归一化 注入。
  4. 确保网络输出维度与输入数据维度一致，直接预测向量场 $v$。

注意事项: 不要照搬扩散模型中针对特定噪声方差设计的架构。AFM 的输入分布随时间变化是确定性的，因此网络应更关注几何变换而非噪声预测。

实践 5：条件生成的正确引导

说明: 在进行条件生成（如文生图）时，AFM 需要将条件信息（如文本提示）有效地融入向量场预测中。最佳实践是使用 Classifier-Free Guidance (CFG) 或类似技术，通过调整条件向量场和无条件向量场的权重来控制生成样本的多样性和保真度。

实施步骤:

  1. 在训练时，以一定概率（如 10%）随机丢弃条件信息（置

学习要点

  • Active Flow Matching (AFM) 通过结合 Flow Matching 和最优传输理论，实现了比扩散模型更快的采样速度（仅需 10 步）和更优的生成质量。
  • 该方法引入了“条件流匹配”的变体，通过学习从噪声到数据的概率路径，显著降低了模型训练的方差。
  • AFM 的核心优势在于其“ODE（常微分方程）轨迹”更接近直线，从而减少了推理过程中的数值积分误差。
  • 理论上证明了 AFM 等价于带有特定边际分布的连续正态化流，为生成模型提供了新的数学解释。
  • 实验表明，AFM 在 ImageNet 256x256 等高分辨率数据集上，在 FID 分数和采样效率上均优于 DDIM 和 DPM-Solver 等主流基线。
  • 该框架统一了扩散模型和流匹配，为未来设计更高效的生成模型提供了通用的理论指导。

学习路径

阶段 1：数学与生成模型基础

学习内容:

  • 随机微分方程与常微分方程基础
  • 概率流与连续归一化流的概念
  • 扩散模型的基本原理（DDPM, DDIM）
  • 变分推断与ELBO
  • 神经网络作为向量场的基本概念

学习时间: 2-3周

学习资源:

  • Lil’Log 博客：“Diffusion Models are Flow Matching Models”
  • 论文：Score-Based Generative Modeling through Stochastic Differential Equations (Song et al., ICLR 2021)
  • 在线课程：随机过程基础

学习建议: 重点理解扩散模型本质上是将噪声转化为数据的连续过程。掌握ODE/SDE的数学表示是理解Flow Matching的前提。不要陷入复杂的推导，先建立直观的几何图像。

阶段 2：Flow Matching 核心理论

学习内容:

  • Flow Matching (FM) 的通用目标函数
  • 条件流匹配
  • 高斯路径与最优传输路径
  • 如何从边际概率 $p_t$ 推导向量场 $v_t$
  • FM与扩散模型在数学上的等价性

学习时间: 2-3周

学习资源:

  • 核心论文：Flow Matching for Generative Modeling (Lipman et al., ICLR 2023)
  • 博客文章：Flow Matching in Detail (各技术博客)
  • 开源代码：flow-matching 库的文档与示例

学习建议: 这一阶段的关键是理解为什么Flow Matching不需要复杂的分数网络，而是直接回归速度场。重点阅读Lipman等人的原始论文，特别是关于条件路径和边际分布的章节。

阶段 3：深入理解 Active Flow Matching

学习内容:

  • Active Flow Matching (AFM) 的核心动机与改进点
  • AFM中的"Active"机制：如何通过插值策略优化路径
  • 重新加权技术
  • AFM与Rectified Flow (RF) 的联系与区别
  • 稳定性与收敛速度的数学分析

学习时间: 3-4周

学习资源:

  • 核心论文：Active Flow Matching (目标论文，需精读)
  • 对比论文：Rectified Flow (Liu et al.)
  • 讲座视频：寻找关于生成模型路径优化的学术讲座

学习建议: 在阅读Active Flow Matching论文时，重点关注它如何解决标准Flow Matching中的路径弯曲问题。对比Rectified Flow，理解AFM在构造直线概率路径上的独特设计。尝试复现论文中的数学推导。

阶段 4：代码实现与算法应用

学习内容:

  • 搭建基于 AFM 的 MNIST/CIFAR 生成模型
  • 实现ODE求解器
  • 实现向量场网络
  • 调优：采样步数与收敛速度的平衡
  • 将 AFM 应用于特定领域（如图像、音频或3D生成）

学习时间: 4-6周

学习资源:

  • GitHub：搜索 Active Flow Matching 或 Rectified Flow 的官方/非官方实现
  • 框架文档：PyTorch 或 JAX 的微分方程求解库
  • 数据集：标准图像生成数据集

学习建议: 不要直接复制粘贴全部代码。尝试从零开始构建训练循环，特别是损失函数的计算部分。实验不同的路径规划策略，观察生成质量的变化。如果遇到训练不稳定，检查学习率调度和ODE求解器的容差。

阶段 5：前沿研究与精通

学习内容:

  • 探索 AFM 在大模型（如 Latent Diffusion）中的应用
  • 离散时间与连续时间模型的统一视角
  • 最新的生成式 AI 论文（关注 ICLR/NeurIPS/ICML 相关投稿）
  • 优化采样速度（如蒸馏技术）

学习时间: 持续进行

学习资源:

  • arXiv.org 的 cs.LG 和 stat.ML 板块
  • 学术会议的演讲录像
  • 相关领域的开源项目讨论

学习建议: 此时你应当具备独立研究的能力。尝试思考 AFM 的局限性，并构思改进方案。参与学术社区的讨论，关注如何将Flow Matching范式扩展到更复杂的数据结构（如图数据或分子生成）。

常见问题

什么是 Active Flow Matching (AFM)，它与传统的 Flow Matching 有何不同？

Active Flow Matching 是一种用于生成模型的新型训练框架，旨在解决传统 Flow Matching（以及扩散模型）在推理过程中计算成本高昂的问题。传统的 Flow Matching 方法通常依赖于求解常微分方程（ODE）来将噪声转换为数据，这需要数百到数千次的函数评估（NFE）才能获得高质量的样本。相比之下，AFM 引入了一种“主动”的机制，通过在训练过程中引入特定的约束或目标，使得模型能够学习到更优化的轨迹。这种方法允许模型在极少的推理步骤（甚至单步）下生成高质量的图像，显著降低了采样延迟和计算成本，同时保持了生成样本的高保真度。

Active Flow Matching 如何实现单步或极少步的快速生成？

AFM 的核心优势在于其训练目标的设计。虽然具体细节可能因实现而异，但其基本原理是训练神经网络直接预测从噪声分布到目标数据分布的“最优传输”向量场，或者通过特殊的损失函数（如最小化轨迹上的某种曲率或能量）来强制模型学习一条直线路径。在传统的 Flow Matching 中，ODE 的求解路径通常是弯曲且复杂的，需要小步长积分。AFM 通过优化训练过程，使得概率流路径更加线性化。这意味着在推理时，模型可以直接沿着这条近似直线的路径进行投影，不再需要依赖昂贵的 ODE 求解器，从而实现了单步生成。

Active Flow Matching 与扩散模型（如 DDPM、DDIM）相比有什么优势？

AFM 与扩散模型相比，主要优势在于推理效率和训练稳定性。

  1. 推理速度：扩散模型通常需要 20-50 步甚至更多的去噪步骤才能生成清晰的图像，而 AFM 旨在将这一数量减少到 1-5 步，极大地提高了生成速度，使其更适合实时应用。
  2. 采样质量：在极少的步数下，传统的扩散模型质量会急剧下降，而 AFM 专门针对少步场景进行了优化，能在低 NFE 下保持更好的样本质量。
  3. 理论框架：Flow Matching 提供了一个比扩散模型更通用的连续归一化流（CNF）框架，AFM 在此基础上进一步拓展了其在少步生成上的边界。

在训练 Active Flow Matching 模型时，主要的技术挑战是什么？

训练 AFM 模型面临的主要挑战在于如何平衡“一步生成”的目标与“样本多样性”之间的关系。如果模型过于激进地追求直接从噪声映射到数据，可能会导致模式崩塌或生成样本的细节缺失。此外，设计能够有效引导模型学习这种直接映射的损失函数也是难点之一。研究者通常需要精心设计采样策略（如时间步的采样分布）和正则化项，以确保模型在训练过程中能够稳定收敛，并且学到的向量场在轨迹上具有良好的性质（例如低曲率），从而保证推理时的效果。

Active Flow Matching 可以应用于哪些领域？

Active Flow Matching 作为一种通用的生成建模技术，其应用领域与扩散模型和 GAN 类似，但特别适合对生成速度有极高要求的场景。

  1. 图像生成与编辑：实时文生图、图像修复和风格迁移。
  2. 视频生成：由于视频生成的计算量巨大，AFM 的少步特性可以显著降低视频渲染的时间成本。
  3. 大分子与药物发现：在需要快速迭代生成大量候选分子结构的场景中，AFM 可以提供比传统扩散模型更快的筛选速度。
  4. 语音合成与音频处理：实时低延迟的语音转换或生成系统。

Active Flow Matching 是 Rectified Flow (RF) 的改进版吗？

Active Flow Matching 与 Rectified Flow (RF) 在理念上有很强的相关性，都属于 Flow Matching 家族中致力于“拉直”轨迹的方法。Rectified Flow 通过迭代学习将弯曲的轨迹转化为直线（1-rectified）。AFM 可以被视为这一思路的进一步演进或特定实现，它可能通过更主动的训练策略（例如在训练动态中引入特定的反馈机制或优化目标）来强制实现直线路径，从而在单次训练中就达到 RF 迭代多次后的效果，或者在某些指标上提供更好的收敛性。两者都旨在解决 ODE 求解慢的问题，但 AFM 提出了一套新的、更“主动”的解决方案。

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章