一步生成，还能甩掉 latent？Pixel Mean Flows 精读

先给结论：这篇把「一步生成」和「像素空间」两个目标同时落地了

小播：老播，这期题目有点长，《One-step Latent-free Image Generation with Pixel Mean Flows》。我拆一下：one-step 是一步生成，latent-free 是不要 latent 空间。这两个词放在一起，好像在说一件以前没人做成的事？

老播：对，你理解得方向对了。先给一个背景坐标：现在最强的图像生成模型，比如扩散模型和 flow matching 模型，生成一张图通常要两样东西。第一，多步采样——从纯噪声出发，沿着学到的速度场一步步走回数据分布，每走一步让神经网络跑一次前向，一次前向叫一次函数评估，缩写 NFE，普通方法要走几十步甚至两百五十步。第二，latent 空间——像素维度太高，主流做法先用预训练 VAE 把图像压成低维潜变量，在潜变量里生成完，再用解码器还原成图像。这篇论文要做的，就是把这两样东西都拿掉：一次函数评估，直接在原始像素上从零训练，生成出 256×256 的图像。

小播：那它做到什么程度？直接说数字。

老播：重点数字先说一遍，后面还会反复回到。在 ImageNet 256×256 类条件生成上，pMF 最大的型号 pMF-H/16 用 1-NFE 拿到 2.22 的 FID；512×512 是 2.48。FID 是衡量生成分布和真实图片分布差距的指标，越小越好。作为对照，之前唯一一个同样是「一步加无 latent」的方法叫 EPG，它还要靠自监督预训练，分数是 8.82；而 one-step 但走 latent 的最强方法 iMF-XL/2 是 1.72，多步的 DiT-XL 走 250 步是 2.27。也就是说，pMF 把「无 latent 一步生成」这个象限从 8.82 拉到了 2.22，接近甚至部分超过走 latent 或多步的方法。这期我们就把三件事讲透：为什么网络输出什么量这么关键；输出空间和损失空间分开设计是怎么做到的；以及它对机器人里「动作和观测要不要加 latent」这个问题有什么直接启发。

背景铺垫：多步生成为什么慢，大家又为什么躲进 latent 空间

小播：从头来。你说生成是沿着速度场走，这个速度场到底是什么？我本科只学过一点概率，你给我个能抓的模型。

老播：好，我们从 flow matching 讲起，这是这篇论文的直接地基。假设一张真实图片叫 x，一个高斯噪声叫 ε。做一个线性插值：z_t = (1−t)·x + t·ε，t 从 0 走到 1。t=0 的时候 z 就是图片 x，t=1 的时候 z 就是纯噪声 ε。这个插值过程里，每个点 z_t 的移动方向是固定的，就是 ε 减 x，论文叫条件速度 v，意思是「从图片指向噪声」的位移。flow matching 训练一个网络 v_θ，输入带噪的 z_t 和时间 t，输出预测的速度，去回归这个 ε 减 x。

小播：等一下，同一张 z_t 可以由很多对不同的 (x, ε) 拼出来，那回归目标不就有歧义？

老播：问得细。flow matching 的理论关键就在这里：对任意给定的 z_t，把所有能生成它的 (x, ε) 对的 ε 减 x 取平均，得到边际速度 v(z_t)，它是唯一确定的。网络收敛后学到的就是这条平均速度场。推理的时候，从 t=1 的纯噪声出发，让数值求解器沿着速度场积分回 t=0。积分要精确，就得把区间切成很多小段，每一步调用一次网络，所以 NFE 常常是几十到几百。ImageNet 上典型的 DiT-XL 模型要 250 次函数评估，开 classifier-free guidance（CFG，一种让生成更贴类别条件的技巧）还要再翻倍。

小播：那 latent 空间是干什么的？为什么大家都要躲进去？

老播：像素空间维度太高。256×256 的彩色图是 196608 个数，网络直接在这么高的空间里学生成，对容量和算力都是负担。主流做法是先用一个预训练 VAE 把图像压成 32×32×4 的潜变量，压缩了 48 倍，生成在潜变量里做，最后用解码器还原。latent 的好处是维度低、语义集中；代价是你多了一个必须训练的 tokenizer，而且生成质量的天花板受解码器限制。这篇论文里有一个很有冲击力的对照：SD-VAE 那个标准解码器，单独跑一次前向在 256×256 上要 310 Gflops，512×512 上要 1230 Gflops——这个数字已经超过了 pMF 整个生成器（271 和 272 Gflops）。所以当生成模型做到一步的时候，latent 解码器本身反而成了开销大头。

小播：那之前有没有人试过把「一步」和「像素空间」合起来？

老播：两条线分别都有人推进。一步这边，Consistency Models 和 MeanFlow 系列把采样压到了 1 次评估；像素这边，JiT 这类像素空间 Transformer 拿掉了 latent，但它要走 100 步。合起来难在哪？一步建模要求单个网络同时刻画不同起止点之间的整段轨迹，像素空间又要求网络在没有 tokenizer 的情况下自己完成压缩和抽象。更麻烦的是，直接在像素空间预测速度会失败——论文的消融里，256×256 图像、patch 维度 768 时，网络预测平均速度 u 的 1-NFE FID 是 164.89，几乎等于没生成；同一架构改预测去噪图像 x，就只有 9.56。这个对比是整篇论文的入口：在像素空间一步生成，网络到底该输出什么量，这件事以前没人认真设计过。

核心思想：网络的输出和损失各占一个空间，中间用代数式接起来

先把「分离原则」说清楚

老播：pMF 的全部设计围绕两个词：输出空间和损失空间。先给预期：网络输出什么（预测目标）决定高维空间能不能学动；损失在哪个空间算决定回归问题稳不稳定。pMF 把这两件事拆开，分别选最合适的空间，再用代数变换把它们接起来。

小播：输出空间和损失空间，这两个概念分开讲一下？

老播：输出空间就是网络最后一层直接吐出来的那个量的类型。损失空间是训练时回归目标所在的类型。两者可以一致，也可以不一致，中间用变换连接。论文画了一张表，把所有相关方法按这个维度排开：DiT 预测噪声 ε、损失也在 ε 空间；SiT 预测瞬时速度 v、损失在 v；原版 MeanFlow 预测平均速度 u、损失在 u；improved MeanFlow（iMF）预测 u、损失却转到 v，走一步转换；JiT 预测去噪图像 x、损失在 v，也是一步转换；pMF 预测 x、损失在 v，但要走两步转换 x→u→v。你看这条谱系，真正在像素空间一步生成的 pMF，是唯一走两步转换的——把「好学的输出」和「好回归的损失」接到了一起。

x 场为什么像去噪图像：三个 r 值分情况看

小播：好，那「好学的输出」x 具体是什么？为什么它就比 u 好学？

老播：这是全文最关键的一个定义。先回忆 MeanFlow 里的平均速度 u：从时间 r 到 t，把瞬时速度求平均，得到 u(z_t; r, t)，它代表「这一整段轨迹的平均方向」。pMF 定义一个新的场：x(z_t; r, t) = z_t − t·u(z_t; r, t)。这个式子要回答的问题，是把平均速度场重参数化成一个更易学的量。逐符号看：z_t 是带噪输入，u 是平均速度，t 是时间，用 z_t 减去 t 倍的 u，等于把「噪声成分」从速度里剥掉。结果 x 在视觉上表现为干净图，或者过度去噪后发糊的图。图 1 的右半部分把同一批 (r,t) 点上算出的 u 和 x 并排摆在一起：上面一排 u 全是带噪图像，下面一排 x 基本是干净或发糊的图像。这就是「x 落在低维图像流形上」的直接证据——u 里噪声和图像两种成分搅在一起、在高维空间里铺满，x 集中在低维流形附近。

小播：这里有个 r，它是平均速度区间的起点。x 场的性质会随 r 变吗？

老播：会，而且论文就是按 r 分三种情况论证的。第一种，r 等于 t，平均速度退化成瞬时速度 v，这时 x = z_t − t·v，恰好就是 JiT 论文里的 x-prediction 目标——去噪图像，噪声大的时候发糊。第二种，r 等于 0，平均速度是整段轨迹的平均，算下来 x 严格等于 z_0，也就是 ODE 的终点，落在数据分布上。第三种，中间的 0 小于 r 小于 t，没有理论保证，但仿真显示它同样呈现去噪图像的样貌。三种情况合起来，论文叫它「广义流形假设」：u 是含噪的高维量，x 是低维流形上的量，网络输出 x 更容易。这个假设就是后面所有实验要验证的东西。

训练怎么做：x 转 u，u 转 v，损失压在 v 上

小播：那训练的时候，网络到底怎么把 x 和 v 对上？中间那个 u 是怎么出来的？

老播：训练分四步，每一步都是代数运算。第一步，网络 net_θ 直接输出去噪图像 x_θ(z_t; r, t)，输入是带噪像素 z_t 加上时间对 (r,t)、类别条件这些。第二步，用公式 u_θ = (z_t − x_θ)/t 把 x 转回平均速度 u——这条式子就是刚才那个定义的逆运算。第三步，用一条叫 MeanFlow identity 的恒等式把 u 变成瞬时速度侧的复合预测：V_θ = u_θ + (t−r)·(d/dt)u_θ。先给预期：这条式子的意思是，平均速度等于瞬时速度再减去「平均速度随时间变化」造成的修正。其中 d/dt 用雅可比向量积算，缩写 JVP，可以理解成把速度当切向量、沿着 u 对输入 z 的雅可比矩阵传播一遍；sg 表示 stop-gradient，让修正项不参与对网络的梯度回传，这是 iMF 留下的工程选择。第四步，损失直接回归条件速度：L_pMF = E‖V_θ − v‖²，其中 v 就是 ε 减 x。所以整体是：输出在 x 空间，损失在 v 空间，x→u→v 两条代数式把两边接起来。

小播：损失回归 ε 减 x，这个目标干净明确；输出是像素图像，学起来容易。两边各取所长？

老播：对，这就是输出空间和损失空间分离的含义。顺带还有一个红利：因为网络输出就是像素图，感知损失可以直接作用在输出上，论文叫 what-you-see-is-what-you-get。总损失是 L_pMF 加 λ 倍的感知损失 L_perc，用 LPIPS，只在噪声低于阈值 t_thr 时施加，避免让网络去预测过度发糊的图。这套感知损失收益我们后面会看到数字，约 6 个 FID 点。

这对「动作/观测要不要 latent」有什么启发

小播：这个分离原则对我们做机器人的，直接有什么用？你开头说它对「动作和观测要不要 latent」有启发，具体在哪？

老播：给一个可检验的判断标准：要不要 latent，先看你的预测目标落在哪，空间本身高不高维排第二位。这篇论文最干净的一组证据在表 2：64×64 图像、patch 维度只有 48 时，x-prediction 和 u-prediction 几乎打平，3.80 对 3.82；256×256、patch 维度 768 时，x-prediction 是 9.56，u-prediction 崩到 164.89。差异全在目标是否落在低维流形上。对应到机器人：图像观测是高维的，如果网络直接回归「带噪速度」这类在高维空间铺满的量，就会学不动；把目标换成落在低维图像流形上的去噪图，不借助任何预训练 tokenizer 也能一步生成。动作通道通常维度低，比如 7 自由度关节角或者末端位姿，本身已经接近低维流形，u-prediction 和 x-prediction 的差距会缩小，加不加 latent 的收益有限。所以要设计免 latent 的策略网络，重点在给高维观测配一个流形友好的输出目标。有一点要提醒：这是图像域的证据，动作和观测的组合在论文里没有验证，应该当成待检验的假设来用，我们收尾还会再提。

实验：目标换一换，结果从崩掉到能用

小播：实验部分我们从哪个看起？

老播：从玩具实验看起，它把上面的结论从图像抽象成一般数据。把二维 Swiss roll 数据用固定的 D×2 列正交矩阵投影进 D 维观测空间，D 取 2、8、16、512，同一个 7 层 ReLU MLP、256 个隐藏单元，分别做 u-prediction 和 x-prediction，两者最小化的是同一个 v-loss。结果，D 小的时候两者都能生成出 Swiss roll 的形状；D 一大，u-prediction 生成的点散成噪声，x-prediction 还是完整的流形形状，而且 x-prediction 的训练损失更低。图 2 就是这一组散点图，读图重点看 D 从 8 增到 16、512 的那几格，u-prediction 生成的点怎么一步步散成噪声、x-prediction 怎么保持流形形状的。

小播：然后直接上 ImageNet？

老播：对，表 2 是真实图像版本，数字刚才说过：patch 维度 48 时 3.80 对 3.82，维度 768 时 9.56 对 164.89。设置是 B/16 架构、Muon 优化器、MSE 损失、160 epoch、序列长度 162。分界线说得很清楚：观测维度越高，输出目标是否落在低维流形越关键。接着是两个训练层面的改进。优化器对比，Muon 对 Adam：320 epoch 时 Adam 是 11.86 FID，Muon 是 8.71。论文的解释是，one-step 训练的目标里有 stop-gradient 项，依赖网络自身质量，Muon 让早期网络更准、目标就更准、收益被放大；多步 diffusion 的对照实验里 Muon 只有收敛更快，没有最终提升。感知损失这边，纯 ℓ2 是 9.56，加 VGG 版 LPIPS 到 5.62，再加 ConvNeXt-V2 版到 3.53，总共约 6 个 FID 点。

小播：还有两组消融我看论文里很强调，pre-conditioner 和时间采样器？

老播：这两组消融回答的是「为什么非要用 pMF 这个具体设计」。pre-conditioner 是 Consistency Models 常用的输出重参数化技巧，把网络输出改成 c_skip·z_t 加 c_out·net_θ。论文试了三种：线性式、EDM 式、sCM 式，分别是 34.61、14.43、13.81，而 pMF 的纯 x-prediction 是 3.53。原因：只要 c_skip 非零，输出就混进 z_t 的噪声成分，偏离 x 空间，落回高维流形。时间采样器这边，只采 r=t 一条线（flow matching 式）是 194.53，只采 r=0（consistency 式）是 389.28，两条线都采是 106.59，全区域 0≤r≤t 采样是 3.53。MeanFlow 的一步能力来自 (r,t) 平面上各点之间的平均速度关系，采样限制到一条或两条线上，这个关系就丢了。这两张表的对比都把「照搬别家设计」的失败点量化出来了。

小播：最后是系统级结果，就是开头那个 2.22？

老播：对。256×256 上，pMF-H/16 训练 360 epoch，1-NFE FID 2.22、IS 268.8，956M 参数、271 Gflops；L/16 是 2.52，B/16 是 3.12。对照：EPG-L/16 是 8.82，它还要自监督预训练；one-step 走 latent 的 iMF-XL/2 是 1.72；多步 latent 的 DiT-XL/2（250×2 步）2.27，SiT-XL/2 加 REPA（250×2 步）1.42；多步像素的 JiT-G/16（100×2 步）1.82。512×512 上，pMF-H/32 是 2.48，对照 one-step 像素 GAN 的 StyleGAN-XL 是 2.41，但 StyleGAN-XL 前向要 2061 Gflops，pMF 只要 272。所以 pMF 的位置是：和最强的多步方法还有距离，但已经把「无 latent 一步生成」从基本不可用拉到了有竞争力的水平，而且在算力上碾压同象限的 GAN。

架构和训练配置：从 0 到 2.22 需要哪些零件

小播：数字都出来了，最后把工程层补齐：这是什么架构、怎么训的，哪些配置是复现的关键零件？

老播：架构直接继承 iMF 那篇的骨干，本质是 DiT 的变体：输入图像切 patch，默认 16×16，256×256 的图像切成 16×16 个 patch 网格，固定序列长度 162；每个 patch 线性投影成 token 进 Transformer，最后一层把 token 解码回像素图像。隐藏维度看型号：B/16 是 768，L/16 和 H/16 更大。训练配置一张表能说清：batch size 1024，学习率恒定 1e-3、没有 warmup，权重衰减和 dropout 都是 0，EMA 半衰期按数据量设 500、1000、2000 百万张图三档，优化器用 Muon，β1=0.9、β2=0.95。时间对 (r,t) 的采样有讲究：r 严格小于 t 的点占 50%，采样器用 logit-normal(0.8,0.8)，保证全平面都采到、又偏向低噪声区；类别条件按 0.1 概率随机丢弃，为后面的 CFG 服务。

小播：CFG 和感知损失这两个工程件，具体怎么配？

老播：CFG 就是 classifier-free guidance，训练时随机丢类别条件，推理时把有条件输出和无条件输出拉开距离，让生成更贴类别。论文的 CFG 配置按区间分段，逐配置搜索：比如 256×256 主结果用的是区间 [0.1,0.7] 内的 scale，附录里 FID 2.74、IS 290.0 那组用的是 ω=7.0。感知损失前面提过：总损失等于回归损失加 λ 倍的 LPIPS，只在噪声低于阈值 t_thr 时施加，避免让网络去预测过度发糊的图；两条感知损失路径——VGG 版和 ConvNeXt-V2 版——是叠着用的，加完从 9.56 到 5.62 再到 3.53。

小播：分辨率往上走的时候，架构怎么保持序列长度不变？

老播：高分辨率靠加大 patch。512×512 用 32×32 的 patch，patch 维度从 768 涨到 3072；1024×1024 用 64×64，patch 维度 12288。序列长度固定 162，模型结构和算力基本不变，只换 patch 大小。这是论文表 4 的做法，也是它能从 256 一路做到 1024 而不重新设计的原因。代价是 patch 维度过高时细节保真存疑，论文没有单独讨论，我们前面局限里也标了这条。

同象限的对手：EPG 和像素 GAN

小播：和它同象限竞争的还有谁？把账算清楚。

老播：同象限就是「一步生成、无 latent」这个格子。论文说，已知唯一同类方法是 EPG，Lei 等人 2026 年那篇，540M 参数、113 Gflops，要靠自监督预训练才能达到 8.82 的 FID。pMF 从零训练就超过它：B/16 是 118M 参数、33 Gflops、3.12，L/16 是 410M、117 Gflops、2.52，H/16 是 956M、271 Gflops、2.22。也就是说，pMF 最大的型号算力是 271 Gflops，比 EPG 的 113 高，但参数多 77%、FID 好 4 倍；更小的 pMF-B 用 33 Gflops 就拿到 3.12，比 EPG 的 8.82 好一大截。差距的来源论文归因于输出目标：EPG 没有走 x-prediction 这条流形友好的路。

小播：GAN 呢？一步生成的 GAN 也很强。

老播：像素 GAN 一直是这个象限的主力。256×256 上，BigGAN-deep 是 6.95（56M 参数、59 Gflops），StyleGAN-XL 是 2.30（166M、1574 Gflops），GigaGAN 是 3.45（569M）。pMF-H 的 2.22 已经低于 StyleGAN-XL 的 2.30，而且算力只有 271 对 1574，约六分之一；pMF-B 用 33 Gflops 拿 3.12，比 GigaGAN 的 3.45 还好，算力不到它的十六分之一。不过要注意，GAN 数字和 pMF 的口径细节有差异，比如评估方式不完全一致，直接对比要带设置。结论是：pMF 在「无 latent 一步生成」这个格子里，质量已经压过同代 GAN，算力还低一个量级；加上 Transformer 架构的可扩展性，这条路后续还能继续加数据加参数。

顺带回答：GAN 一直是这个象限的主力，为什么没守住

小播：GAN 一步生成很成熟，pMF 凭什么挤进来？

老播：GAN 在这个象限的优势是质量天花板高，StyleGAN-XL 的 2.30 一度是最强。短板有三条。第一是训练不稳定：对抗训练要平衡生成器和判别器，超参敏感、容易模式坍塌，扩到更大数据时维护成本高。第二是架构受限：表 6 里像素 GAN 都是卷积架构，没有 Transformer 那种随数据、参数平滑扩展的证据。第三是算力：StyleGAN-XL 单次前向 1574 Gflops，是 pMF 的六倍左右，同样画一张 256×256 图，成本不是一个量级。pMF 走回归式训练，损失就是均方误差加感知损失，稳定、可扩展、成本低，在质量接近的前提下把另外两项补上了。换个说法：GAN 仍有自己的价值，但「无 latent 一步生成」这个格子的竞争标准被抬高了。

把成本账算完整：为什么「无 latent」在一步时代才划算

小播：把 latent 解码器开销这笔账算完整一点，别只说一个数字。

老播：论文专门算过。以 512×512 为例，latent 路线完整链路是：VAE 编码一次前向、潜空间生成器一次前向、VAE 解码一次前向。其中 SD-VAE 解码器单次前向要 1230 Gflops，编码器还要再加一部分；pMF 整个生成器只有 272 Gflops。也就是说，one-step latent 方法里，光解码器就是生成器的四倍多。多步时代这笔开销被均摊在几十上百次生成器前向里，不明显；一旦采样只剩一步，tokenizer 的编解码就成了最大的单项开销。这是 pMF 选像素空间最实在的工程理由：像素本身不省算力，但当采样步数压到 1，latent 的固定开销开始主导，绕开它就是绕开大头。

质量指标全景：FID 之外还能看什么

小播：除了 FID，这篇还报了哪些质量指标，怎么横着比？

老播：IS（Inception Score）是另一个常用指标，越高越好，衡量生成样本的类别清晰度和多样性。256×256 上，pMF-H/16 是 IS 268.8，对照 one-step latent 的 iMF-XL/2 是 282.0，多步的 DiT-XL 是 278.2，像素 GAN 里 StyleGAN-XL 是 260.1、BigGAN-deep 是 171.4。也就是说，pMF 的 IS 落在主流方法的区间里，略低于 latent 一档，但明显高于同代 GAN。FID 和 IS 一起看，pMF 的位置是「分布距离接近 best、类别清晰度达标」，没有明显的单边短板。论文还放了非整理的样本图和 CFG scale 的 FID 曲线：样本层面，低 CFG 时图像偏糊、类别不鲜明，高 CFG 时细节增强但多样性和色彩可能失真，2.22 那组是在这个权衡里挑出来的点。

这篇之后：三个可以认真回答的问题

小播：收尾前，把论文留下的开放问题列一下。

老播：三个方向，按难度排。第一，文本条件和其他数据域：目前只有 ImageNet 类条件图像生成，文本到图像、视频、音频这些场景还没验证，x-prediction 的流形优势在非图像域是否成立是开放问题。第二，更正式的流形论证：广义流形假设目前靠可视化加消融支撑，没有 intrinsic dimension 之类的定量估计，也没有理论刻画什么条件下 x 一定落低维；这一步补上，结论才能从图像推广到任意高维数据。第三，机器人侧的组合验证：论文只给了图像域证据，动作和观测拼接后的高维空间里，x-prediction 和 u-prediction 的分界线在哪，需要专门的策略实验回答——这正好接上我们前面说的「要不要 latent」的判断标准，把它从假设变成结论。

它在清单的阅读路径里排在哪

小播：我们清单里 one-step 这条线有好几张卡，pMF 应该放在哪个位置读？

老播：按依赖顺序读。先 flow matching：条件速度匹配、路径设计、采样 ODE，这是所有后续的地基；再 rectified flow：reflow 重新配对让轨迹变直，第一次系统讨论少步采样；然后 mean-flows：平均速度场 u 的定义和 MeanFlow Identity，一步生成的理论起点；improved-mean-flows 把训练目标改成回归 v 加重参数化，解决稳定性和可用性；jit-back-to-basics 证明 x-prediction 在像素空间可行，但要走 100 步；最后才是这篇 pixel-mean-flows，把 x-prediction 接进 mean-flow 的 (r,t) 平面，同时拿到一步生成和像素空间。这条线读完，你会看到同一个问题的三次换挡：先换目标（u 到 v），再换空间（latent 到像素），最后换步数（多步到一步），每次换挡解决一个具体瓶颈。pMF 在谱系里的位置可以概括成一句话：它是 one-step 这条线上，第一个在像素空间从零训练就把 FID 打进个位数的模型。

谱系定位：它站在 iMF、JiT 和一致性模型的哪条线上

小播：如果我要跟别人转述这篇论文，它和前作们到底差在哪？

老播：可以分四个对照记。第一，对 iMF：两者损失完全相同，v-loss、JVP、CFG 全部沿用，差异只在预测目标——iMF 输出 u，pMF 输出 x，转换从 u→v 变成 x→u→v，场景从 latent 换成像素。你可以理解成 pMF 把 iMF 的「目标选择」换成了 JiT 验证过的 x-prediction。第二，对 JiT：JiT 已经证明 x-prediction 加 v-loss 在像素空间可行，但它走 100 步；pMF 把它接进 MeanFlow 的 (r,t) 平面实现一步化。时间采样消融里只采 r=t 是 194.53，说明光有 JiT 的设定学不动 one-step，这一步差距就是 MeanFlow 的价值。第三，对 Consistency Models 这一族：CM 固定 r=0 线预测终点，还常用 pre-conditioner，输出偏离 x 空间；CTM 训练期要积分 ODE；FMM 学的是位移 z_t−z_r，含噪声、不在低维流形上。pMF 在 (r,t) 全平面采样、直接输出 x，表 3 把这三条路的失败点都对照出来了。第四，对 EPG 和 GAN：EPG 靠自监督预训练补足单步像素建模的难度，pMF 从零训练就超过它；StyleGAN-XL 算力是 pMF 的约 7 倍多（2061 对 272 Gflops），pMF 是 Transformer 架构，还能继续加数据加参数。

局限：几个地方要打折扣

小播：说得这么好，哪些地方要打折扣？别替论文背书。

老播：打折扣的地方至少有五条。第一，和最优多步方法的差距还在：256×256 的 2.22，对照 RAE 加 DiTDH（50×2 步）的 1.13、SiT 加 REPA（250×2 步）的 1.42，one-step 的分布覆盖还追不上上百步的求解器。第二，实验只有 ImageNet 类条件图像生成一个任务，没有文本条件、没有视频、没有其他数据域；感知损失阈值 t_thr 和两类权重都是经验超参，对抗损失方向没做。第三，高分辨率靠固定序列长度、增大 patch 实现，1024×1024 时 patch 是 64×64、单 patch 维度 12288，这种极端 patch 化对细节保真的影响没有单独讨论，而像素 Transformer 圈子里补细节通常还要专门的 refiner 头。第四，两个工程选择是经验性的：JVP 的 stop-gradient 和 Muon 优化器，论文用「早期网络更准、目标更准」解释 Muon 的收益，但多步场景没有最终提升，这个机制解释缺少直接测量；而且 JVP 训练要两次前向加一次反向，论文没报和普通 flow matching 训练的墙钟时间对比。第五，CFG 的最优 scale 和区间是逐配置搜索出来的，表里的 2.22 和附录展示的 FID 2.74、IS 290.0（ω=7.0、区间 [0.1,0.7]）不是同一设置，读者看数字要带设置。

小播：还有我们对机器人那块的应用，也要打折扣吧？

老播：对，最后这条专门说。x-prediction 的优势在高维观测显著、在低维消失，这个结论来自图像域；低维动作通道可能落在「u-prediction 也能学动」的区间，但论文没有在机器人动作或动作加观测的组合上验证过。拿它的分离原则去设计策略网络，方向我认为是对的，但数字和结论要当假设用，等专门实验确认。另外补一条口径提醒：论文报告的 FID 都在 50k 样本上评估、带 CFG 就标注带 CFG，参数和 Gflops 对 latent 模型只算「生成器加解码器」；对比任何数字前先核对这两项，这是表 6 的评测说明里明确写的。

收尾：这期记住三件事

小播：收尾了，老播帮我总结三件要带走的事。

老播：第一件，输出空间和损失空间可以分开设计：网络输出选落在低维流形上的量（去噪图像 x），损失选有明确真值的回归空间（瞬时速度 v），中间用 x→u→v 的代数变换连接；JVP 这一步让网络既能输出干净的像素图，又能在瞬时速度空间里拿到干净的回归梯度。这个「分离原则」是全文的方法论核心，也是它区别于 iMF、JiT、Consistency Models 的地方。第二件，高维观测下「预测目标是否落在低维流形」决定能不能学动：patch 维度 48 时 x 和 u 打平（3.80 对 3.82），维度 768 时 u-prediction 崩到 164.89、x-prediction 只有 9.56。这是「要不要 latent」的细粒度判断标准——对图像这类高维观测，一个流形友好的输出目标可以替代预训练 tokenizer。第三件，无 latent 一步生成已经可行且有竞争力：ImageNet 256×256 是 2.22 FID、512×512 是 2.48，都是 1-NFE、从零训练（IS 268.8，也在主流区间），而整个生成器 271 和 272 Gflops，小于 latent 解码器单独的开销（SD-VAE 解码器 256×256 要 310、512×512 要 1230）。对后续工作的意义，我想说一句：当 one-step 把采样成本压下来之后，tokenizer 的解码开销反而成了大头，pMF 证明了这条路可以绕开 latent 走通（不需要预训练 tokenizer，也不需要对抗训练），接下来「像素空间单步生成能不能追平甚至超过多步 latent」就是一个可以认真回答的问题了。往后看，one-step 像素空间这条线的下一个问题是能不能配上文本条件、能不能在视频里成立，以及机器人的动作观测组合能不能复用同一套判断标准。对读者来说，最该带走的是那组对照：patch 维度 48 时 3.80 对 3.82，维度 768 时 9.56 对 164.89——目标是否落在低维流形，直接决定能不能学动。记住这个判断标准，比记住 2.22 这个 FID 更有用，它能迁移到清单里所有高维生成问题，也包括世界模型和机器人策略这类高维输出场景。