Flow Matching
扩散模型的现代变体框架，通过学习确定性的速度场将噪声分布连续映射到数据分布，被Stable Diffusion 3、Flux等最新文生图模型采用
核心事实
时间轴 (近 90 天)
第二次尝试构建视频-动作联合模型时，团队采用预训练视频预测模型 Cosmos Predict 2.5-2B 作为骨干网络，在视频生成去噪过程中提取中间潜特征，与机器人本体状态及含噪动作 Token 一同送入 Gemma Action Head，通过 Flow Matching 联合生成去噪后的动作控制 Token。
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
π0 引入了基于 Flow Matching 的动作解码头，在保留语言理解能力的同时输出高频、连续的灵巧操作动作
MeanFlow是一种基于流匹配的生成建模范式，通过将整条轨迹的平均速度参数化为单一网络输出，理论上只需一步前向推理即可完成高质量图像合成
DenoFlow 是一种用于稳态视觉诱发电位（SSVEP）脑电信号去噪的方法，采用流匹配（Flow Matching）建模思路
Rectified Flow 是流匹配的一种具体实现，将源分布与目标分布之间的路径拉直为直线，使积分步数更少、生成效率更高
MintFlow 是一个无需训练（training-free）的约束采样框架，将约束施加过程重新表述为对预训练流轨迹的最小干预
相比基于分数函数的扩散模型，流匹配训练目标更简洁，轨迹可设计为直线（rectified flow），从而在更少推理步数内完成高质量生成
Flow Matching等替代训练目标展示出比传统DDPM更快的收敛速度
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
还有 3 条时间轴事件
全部知识事实 (19)
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
85%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
80%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
75%待验证新一代模型如FLUX、Z-Image由于架构改进，CFG值设为1甚至更低即可获得最佳效果，而传统Stable Diffusion模型通常使用7-12的CFG值
80%待验证Flux基于流匹配（Flow Matching）技术，在写实质感和光影处理上表现突出
80%待验证Veo 3基于Google的Flow Matching技术构建
70%待验证扩散过程的反向SDE可以表示为 dX_t = [f(X_t,t) - g(t)²∇log p_t(X_t)]dt + g(t)dW̄_t
60%待验证第二次尝试构建视频-动作联合模型时，团队采用预训练视频预测模型 Cosmos Predict 2.5-2B 作为骨干网络，在视频生成去噪过程中提取中间潜特征，与机器人本体状态及含噪动作 Token 一同送入 Gemma Action Head，通过 Flow Matching 联合生成去噪后的动作控制 Token。
50%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
50%待验证π0 引入了基于 Flow Matching 的动作解码头，在保留语言理解能力的同时输出高频、连续的灵巧操作动作
50%待验证MeanFlow是一种基于流匹配的生成建模范式，通过将整条轨迹的平均速度参数化为单一网络输出，理论上只需一步前向推理即可完成高质量图像合成
50%待验证DenoFlow 是一种用于稳态视觉诱发电位（SSVEP）脑电信号去噪的方法，采用流匹配（Flow Matching）建模思路
50%待验证Rectified Flow 是流匹配的一种具体实现，将源分布与目标分布之间的路径拉直为直线，使积分步数更少、生成效率更高
50%待验证MintFlow 是一个无需训练（training-free）的约束采样框架，将约束施加过程重新表述为对预训练流轨迹的最小干预
50%待验证相比基于分数函数的扩散模型，流匹配训练目标更简洁，轨迹可设计为直线（rectified flow），从而在更少推理步数内完成高质量生成
50%待验证Flow Matching等替代训练目标展示出比传统DDPM更快的收敛速度
50%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
50%待验证Physical Intelligence的π0采用了基于Flow Matching的连续动作生成方案，用于灵巧操作任务
50%待验证Flow Matching由Lipman等人于2022年提出，将离散时间步推广至连续时间流形，以确定性ODE求解器替代随机采样
50%