已验证85% 置信事实精确时间
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
5
来源数
85%
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82% 相似已验证Stable Diffusion 3和Flux等文生图模型采用Flow Matching框架80% 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76% 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71% 相似待验证Stable Diffusion 模型由变分自编码器（VAE）、U-Net 架构的噪声预测网络和基于 CLIP 的文本编码器三个关键组件构成71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/518182API
curl https://kongchang.com/api/v1/knowledge/claims/518182MCP
get_claim(id=518182)