已验证80% 置信事实精确时间
流匹配（Flow Matching）由Lipman等人于2022年提出，直接学习将噪声分布映射到数据分布的确定性ODE流
4
来源数
80%
置信度
长期有效
时效性
2026/7/15
首次发现
来源
相关事实
已验证Flow Matching通过学习确定性速度场将噪声分布连续映射到数据分布，Stable Diffusion 3和Flux均采用此框架82% 相似待验证流匹配模型通过学习从噪声分布到数据分布的连续概率流（ODE轨迹）生成图像，通常训练更稳定、推理步数更少71% 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70% 相似待验证固定点分数匹配的核心创新是将随机插值中的去噪分数恒等式替换为目标分数恒等式，用当前模型生成的样本代替真实目标样本，将期望从目标分布转移到模型分布下计算。65% 相似待验证四步生成背后的技术原理通常来自一致性模型（Consistency Model）或流匹配（Flow Matching）等加速采样范式，通过蒸馏训练让模型在稀疏时间步上准确预测去噪方向65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/514887API
curl https://kongchang.com/api/v1/knowledge/claims/514887MCP
get_claim(id=514887)