待验证50% 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
1
来源数
50%
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Stable Diffusion 3和Flux等文生图模型采用Flow Matching框架65% 相似待验证受控混合策略的核心原则是增强分布应匹配真实测试分布，这是域匹配理论的应用64% 相似待验证2020年DDPM（Denoising Diffusion Probabilistic Models）在图像生成领域开创了通过逐步加噪—逐步去噪实现高质量生成的范式63% 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)