待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/8/6
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76% 相似已验证流匹配（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70% 相似待验证一致性模型通过训练网络直接预测去噪轨迹的端点，理论上可实现单步生成69% 相似待验证flow matching推理通常10-20步积分即可，而扩散模型需要50-1000步去噪67% 相似已验证主流扩散模型（Diffusion Model）代表性产品包括Stable Diffusion、DALL-E 2早期版本、Midjourney，其工作原理是在训练阶段向图像逐步添加高斯噪声，再训练神经网络学习去噪的逆过程66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/696665API
curl https://kongchang.com/api/v1/knowledge/claims/696665MCP
get_claim(id=696665)