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)
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
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
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
Stable Diffusion 3和Flux等文生图模型采用Flow Matching框架
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
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
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
全部知识事实 (12)
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Stable Diffusion 3和Flux等文生图模型采用Flow Matching框架
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%待验证流匹配（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
50%