待验证50% 置信事实精确时间
条件流匹配（CFM）是流匹配框架下的训练目标，通过构造从源分布到目标分布的连续概率路径（通常为直线插值路径）并学习时间依赖的速度场来拟合路径瞬时速度。
1
来源数
50%
置信度
长期有效
时效性
2026/11/9
首次发现
来源
涉及实体
相关事实
待验证流匹配是一类训练连续时间生成模型的方法，学习速度场将先验分布沿ODE轨迹输运到数据分布，推理时用数值积分器迭代求解，积分步数即NFE。80% 相似待验证Classifier-Free Guidance（CFG）是扩散模型与流匹配模型中最主流的引导技术之一，训练时以一定概率丢弃条件，采样时通过公式将条件与无条件预测相减并放大引导强度。75% 相似待验证LLM 本质上是基于统计规律的模式匹配系统，通过海量代码语料预训练学会上下文之后通常跟随的代码73% 相似待验证Flow Matching with Correction（FMC）是 UniWALM 引入的训练目标，训练时教模型从受扰动的动作轨迹中恢复，且不在推理时增加额外计算成本。72% 相似已验证Flow matching是一种生成模型训练方法，直接学习从噪声分布到数据分布的确定性ODE路径，定义线性插值路径xt=(1-t)x₀+tx₁，神经网络学习预测该路径上每一点的速度向量72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1150318API
curl https://kongchang.com/api/v1/knowledge/claims/1150318MCP
get_claim(id=1150318)