生成模型已成为人工智能领域的关键突破，赋予机器创建高度逼真的图像、音频和文本的能力。在众多生成技术中，扩散模型和Flow Matching尤为引人注目。这两种方法虽然都致力于在噪声与结构化数据之间建立转换，但其基础原理存在本质区别。本文将系统地比较 ...

何恺明（Kaiming He）教授带领的麻省理工学院团队，联合哈佛大学研究者，发布了一项名为 Drifting Models（漂移模型）的新研究。这项工作最核心的突破在于：它打破了扩散模型（Diffusion）或流匹配模型（Flow Matching ...

然而在 Flow Matching 模型中，推理过程是通过解常微分方程（ODE）进行的，其每一步依赖于前一步的速度估计。 当模型训练不足时，初始阶段的速度往往较为不准确，而 CFG 此时的引导反而会将样本推向错误轨迹。

本文详细介绍了Flow Matching这一新兴的生成建模方法，从数学理论基础出发，逐步构建完整的实现框架。与传统扩散模型通过逆向去噪过程生成数据不同，Flow Matching通过学习时间相关的速度场，建立从噪声分布到目标数据分布的直接映射路径。文章将理论推导与 ...

近日，来自中国香港中文大学多媒体实验室、清华大学以及快手科技的研究团队发表了一项突破性成果。由刘杰和刘公冶共同第一作者领导的研究团队在2025年5月发表了题为《Flow-GRPO: Training Flow Matching Models via Online RL》的论文，该研究首次将在线强化学习技术 ...

With "Few-Step Discrete Flow-Matching," Apple wants to put the turbo on the output of large language models. A US university is a cooperation partner. Apple's AI research department has introduced a ...