PathFM
一种基于流匹配的时间序列基础模型，通过生成完整未来轨迹而非仅预测边际分位数来解决轨迹依赖问题，采用步数蒸馏和共享历史注意力缓存优化采样效率
时间轴 (近 90 天)
PathFM 采用流匹配（flow matching）来生成完整的未来路径。
PathFM 采用步数蒸馏技术，将采样步数压缩到一到两步，大幅降低生成多条路径的计算开销。
PathFM 采用共享历史注意力缓存，在多次采样之间复用历史编码，避免重复计算。
PathFM 为单条序列生成多条路径的时间，大约相当于一次分位数模型查询的耗时。
PathFM 的一到两步采样器使模型可以在训练中直接针对校准质量进行优化。
PathFM 在已有的 fev-bench 和 TIME 基准上取得了有竞争力的边际精度。
在 fps-bench 上，PathFM 的综合路径分数高于所有被评估的外部基线。
在混沌系统实验中，PathFM 的流模型能够维持长期的变异性，而强大的基线模型则迅速崩溃，生成的轨迹趋于退化。
全部知识事实 (8)
PathFM 采用流匹配（flow matching）来生成完整的未来路径。
50%待验证PathFM 采用步数蒸馏技术，将采样步数压缩到一到两步，大幅降低生成多条路径的计算开销。
50%待验证PathFM 采用共享历史注意力缓存，在多次采样之间复用历史编码，避免重复计算。
50%待验证PathFM 为单条序列生成多条路径的时间，大约相当于一次分位数模型查询的耗时。
50%待验证PathFM 的一到两步采样器使模型可以在训练中直接针对校准质量进行优化。
50%待验证PathFM 在已有的 fev-bench 和 TIME 基准上取得了有竞争力的边际精度。
50%待验证在 fps-bench 上，PathFM 的综合路径分数高于所有被评估的外部基线。
50%待验证在混沌系统实验中，PathFM 的流模型能够维持长期的变异性，而强大的基线模型则迅速崩溃，生成的轨迹趋于退化。
50%