Flow Straight and Fast：让生成模型的轨迹变直，一步出图（对话版·精读）

开场：这篇论文解决什么问题，为什么值得专门做一期

小播：老播，今天这篇论文讲什么？我先说下我的感受——现在生成一张图，模型要一步步调几十次甚至几百次网络，我一直好奇，能不能一步就出图？

老播：今天这篇叫《Flow Straight and Fast》，作者是德州大学奥斯汀分校的刘兴超、龚程越和刘强，2022 年 9 月挂到 arXiv，后来发表在 ICLR 2023。一句话背景：扩散模型能生成高质量图像，但推理时要反复求解一个随机微分方程，代价很高；一句话定位：这篇用「把轨迹学直」的办法，让连续时间模型能少步甚至一步采样；一句话结论：它通过一个叫 reflow 的操作，用已生成的轨迹重新构造样本配对，把轨迹逐次拉直，而直线轨迹用一步欧拉就能精确求解，在 CIFAR-10 上做到了蒸馏后一步生成 FID 4.85。

小播：为什么值得专门做一期？同类方法不是很多吗？

老播：因为这篇是「one-step 生成」这条思路最早的系统表述。你回头看生成模型的编年史：GAN 是一步出图，但对抗训练不稳定；扩散模型训练稳定、质量高，但推理要上百步；中间一直缺一个框架，能把「连续时间模型」和「一步采样」统一起来。这篇给出的答案是把路径学直，而且给出了可证明的拉直速率，还把概率流 ODE 和 DDIM 收编成自己的特例。后来的 flow matching、蒸馏系方法、MeanFlow，都能追溯到这篇。这期我们要把「为什么直线轨迹能一步采样」和「reflow 到底在重排什么」讲透，最后对比它和 MeanFlow 的平均速度。

小播：那我们这期大概怎么走？

老播：四步。第一步讲背景：扩散模型为什么慢，欧拉离散化为什么怕弯轨迹。第二步讲方法的第一块：线性插值加期望条件速度，这是 rectified flow 的训练目标。第三步讲 reflow：用已生成的轨迹重新构造耦合，把轨迹拉直，然后说清楚为什么直线等于一步采样。第四步用实验数字收口，再把它放进谱系——和概率流 ODE、最优传输、MeanFlow 各是什么关系。

小播：好，那先把背景铺开——扩散模型到底卡在哪？

背景：为什么生成一张图要调几百次网络

老播：生成模型有三条老路。第一条是 GAN，2014 年提出，让生成器和判别器对抗训练，图像质量高，但训练不稳定、容易 mode collapse——生成器只学会少数几种模式，多样性差。第二条是 VAE 和标准化流，走最大似然路线，理论干净，但似然要么要变分近似、要么要可逆结构，表达力受限。第三条就是扩散模型，2020 年 DDPM 为代表：先往数据里逐步加噪，把数据变成高斯噪声，再学一个网络逐步去噪。它的训练目标是一个稳定的回归问题，没有对抗训练，图像质量反超 GAN。

小播：那扩散模型的问题出在哪？

老播：出在推理。去噪要一步步来：DDPM 原文要 1000 步；Score-SDE 那套的 VP SDE 在 CIFAR-10 上完整模拟要 2000 次函数评估。函数评估就是推理时调用神经网络主干的次数，每次都要跑一遍 U-Net。后来概率流 ODE 和 DDIM 把 SDE 转成 ODE，步数降到一两百步——VP ODE 在 CIFAR-10 上约 140 步，sub-VP ODE 约 146 步——但还是要上百次调用。对比一下：GAN 这类模型一次前向就出图，连续时间模型却要反复调用，这是它最大的短板。

老播：还有个视角值得先立起来：生成、迁移、风格转换、域适应，都可以统一看成「在两个分布之间找一个输运映射」。这个框架来自最优传输，一个经典的数学分支，它把「起点终点怎么配对」抽象成代价函数 E[c(Z₁ − Z₀)]，比如距离平方。但传统最优传输方法在高维大数据上算起来很慢，而且输运代价和学习性能并不严格对齐——代价最小不代表生成质量最好。这篇的立场很明确：别追求代价最优，追求路径够直，直本身就带来推理上的大便宜。回到扩散模型的问题——

小播：那为什么扩散模型还有这么多人用？

老播：因为质量好、训练稳。扩散模型在 CIFAR-10 上完整模拟的 FID 是 2.55（VP SDE），而 2020 年之前最强的 GAN 也要面对训练不稳定的问题。所以当时的格局是：一步模型（GAN）快但不稳，稳定模型（扩散）好但慢。中间地带，比如 DDIM 把 SDE 变成 ODE，省掉随机噪声那部分，步数降到一两百步，但轨迹是弯的，粗步长下误差大。这里有个背景知识：数值求解 ODE 时，离散化步数越多误差越小；如果轨迹本身是直线，一步欧拉就是精确解，根本不需要细分。论文的切口就在这里：与其在弯曲的轨迹上精打细算怎么离散，不如先把轨迹学直。直线是欧氏空间里连接两点的最短路径，既省路程又好模拟。小播：你说的欧拉步具体是什么？为什么轨迹弯了就必须多走几步？

老播：欧拉法是最简单的数值积分：从一个点出发，顺着速度场的方向迈一小步，到新位置再读一次速度、再迈一步，反复进行，一共 N 步。每步都假设速度在这一小段里恒定；如果轨迹是弯的，这个假设就失真，必须把步长缩得很小、步数加得很多才能跟上。如果轨迹本身是直线而且匀速，一步欧拉的结果和精确解完全一样，误差是零。所以「轨迹直不直」直接决定了「要几步才够」，这是贯穿全文的一条主线。

下面我们进方法。

核心思想第一步：先画一条路，再让粒子自己走

老播：先定义问题。我们要找的是一个输运映射：给定两个经验分布 π₀ 和 π₁，找一个映射 T，让 T(Z₀) 服从 π₁，其中 Z₀ 服从 π₀。生成任务里，π₀ 是标准高斯噪声、π₁ 是数据；迁移任务里，π₀ 是源域、π₁ 是目标域。这俩样本对之间没有真实的对应关系，训练时配对是随机的：从 π₀ 抽一个 X₀，从 π₁ 抽一个 X₁。起点和终点之间这个随机的对应关系，术语叫耦合，也就是 transport plan。整个生成模型的历史，都可以看成在找各种各样的耦合。

小播：没有对应关系，怎么知道该把 X₀ 送去哪？

老播：这就是线性插值的作用。定义 X_t = t·X₁ + (1 − t)·X₀，t 从 0 到 1 变化。t = 0 时 X_t 等于 X₀，t = 1 时等于 X₁，中间就是两点连线上按比例移动的位置。这条直线每个时刻的移动方向是常数 X₁ − X₀。问题来了：这条路径要先知道终点才能走，术语叫非因果或者预期性的——dX_t = (X₁ − X₀)dt 这个方程里，更新方向依赖未来的 X₁；而且不同样本对的直线会在中间交叉，交叉点处来自不同配对的方向互相冲突，不知道该听谁的。

小播：所以线性插值本身当不了生成模型。

老播：对。rectified flow 的做法是训练一个速度网络 v，让它学会「在每个位置、每个时刻，穿过这里的那些直线的平均方向」。训练目标写成：

min_v ∫₀¹ E[ || (X₁ − X₀) − v(t·X₁ + (1 − t)·X₀, t) ||² ] dt

先给预期：这个式子问的是「网络在每个插值点预测的方向，和这条直线本来的方向差多远」，把这个差压到最小。逐符号解释：X₁ − X₀ 是这条直线本来的方向；v(·, t) 是网络在插值点 X_t、时间 t 处预测的速度；两者相减取平方范数，再对随机配对 (X₀, X₁) 和随机时间 t（在 [0,1] 上均匀采样）取期望。它就是一个普通的最小二乘回归，随机梯度下降就能训，不需要对抗训练，也不需要算似然，连扩散模型那套噪声调度超参都不用调。

小播：这个回归的最优解长什么样？

老播：有闭式解：v_X(x, t) = E[ X₁ − X₀ | X_t = x ]。读出来就是：给定「时刻 t 恰好经过位置 x」这件事，把所有经过这里的直线方向取平均。论文管它叫期望条件速度——注意这个词，后面对比 MeanFlow 还要用到。它是唯一的、确定性的函数，只依赖当前位置和时间，不依赖终点。所以用它驱动的 ODE，dZ_t = v_X(Z_t, t) dt，可以只凭当前状态往前积分，把非因果的插值过程变成因果的、可模拟的过程。顺便说，最优解 v_X 的存在需要点数学条件——条件密度存在且光滑，否则这个条件期望可能没定义；论文的应对是往 X₀ 加一点高斯噪声做平滑。

小播：那这个平均方向会不会把信息磨没了？两条方向相反的线在同一点相遇，平均下来不是互相抵消了？

老播：这个问题问到点子上了。一个良定义的 ODE，解是唯一的，所以轨迹永远不能相交——两条轨迹如果同一时刻经过同一点，之后就分不清谁是谁了。线性插值里那些交叉的线，必须在交叉点重排：两条线相遇，就交换各自的终点继续走。论文的 Figure 2 画的就是这个过程：图 (a) 里直线交叉，图 (b) 里 rectified flow 在交叉点重新接线，轨迹不再相交，但每个时刻的密度分布和 (a) 完全一样。这条重排性质是整个方法的地基。它还有一个配套定理，叫边缘保持：Z_t 的分布和 X_t 的分布在每个时刻都相同。用论文的话说，质量怎么从每个小体积里流进流出，两个过程在每个位置每个时刻都相等，所以密度图完全一样；区别在联合分布——插值过程是非因果的随机配对，rectified flow 把配对确定化、马尔可夫化了。小播：为什么条件期望就是最优解？它有没有可能是别的函数？

老播：换个角度看：回归目标其实是在找「所有只依赖当前位置 x 和时间 t 的函数里，最接近直线方向 X₁ − X₀ 的那个」。最小二乘的最优解正是条件期望——它把 X₁ − X₀ 投影到「由 (x, t) 决定」的函数空间上。这也解释了为什么不同配对在同一点会平均：网络只能看到当前位置，没法区分两条不同配对的线，只能给出平均方向。这个平均是在信息约束下的最优选择；reflow 的使命，就是通过重排配对，让每个位置上只剩下一个方向，让平均退化成确定值。

小播：那这个速度场在实现上怎么算？不可能真的去求条件密度吧？

老播：对，精确的 v_X 需要知道条件密度，而且会完全过拟合——它能把训练点原封不动地送回去，等于记住数据。实用做法是函数近似：低维玩具实验用核估计，对当前位置的近邻样本做加权平均，它的每一项都是指向 π₁ 支撑集内某个点的线性函数，加权平均之后仍然是这类函数的混合，效果很好；高维图像用神经网络，训练就是一个回归。论文还发现神经网络的平滑性本身有帮助：Figure 7 里增大 L2 正则让网络更光滑，轨迹反而更直，等于平滑正则和 reflow 在往同一个方向使劲。

重排之后，端点配对 (Z₀, Z₁) 已经和原来随机配的 (X₀, X₁) 不一样了。

核心思想第二步：reflow，用已生成的轨迹重新构造耦合

老播：现在讲 reflow，这是全文的心脏。刚才说 rectified flow 的端点对 (Z₀, Z₁) 已经是被重排过的、确定性的配对。reflow 的操作就是把这个配对再当训练数据：用当前流从 Z₀ ~ π₀ 模拟出一大批新的 (Z₀, Z₁)，拿这批由模型自己产生的配对重新训练一个新流，它叫 2-rectified flow；再递归一次得到 3-rectified flow。每一步都在做同一件事：用已生成的轨迹重新构造耦合。这就是阅读提示里说的 reflow 的核心。

小播：重新构造耦合，就是把起点和终点重新配对吧？为什么这样能让轨迹变直？

老播：对，耦合就是起点终点之间的对应关系。第一次 rectified flow 之后，配对从随机独立变成了按流重排，配对更省路程。数学上有个定理：对任意凸代价函数 c，都有 E[c(Z₁ − Z₀)] ≤ E[c(X₁ − X₀)]，也就是输运代价对所有凸代价同时不增。凸代价函数包括欧氏距离、距离平方这些常见选择，证明只用到了詹森不等式：先把整段积分塞进代价函数，再用凸性把它拆开，最后用条件期望的性质消掉。交叉的线被重新接线后，每条线都更接近就近接送，总路程变短；路程越短、交叉越少，下一次再学「平均方向」时，每个位置上的方向就越一致，轨迹就越接近直线。Figure 3 的玩具例子里，两次 reflow 之后轨迹已经几乎是平行直线了。

这里补一个论文自己的框架，方便你记忆：线性插值相当于修路——把 π₀ 的每个点和 π₁ 的每个点用直线连起来，修出一张路网；rectified flow 相当于车流——粒子在路口做无记忆、不交叉的选择，遇到路口就按平均方向走，最后自然重排出新的配对。路是固定的，也就是插值几何不变；车流是可变的，也就是配对由流决定。reflow 改的是车流的配对规则，路本身没动。

小播：那「直线」到底好在哪里？为什么直线就能一步采样？

老播：这是全篇最重要的考点，我把定义说精确。论文把「直」定义成：Z_t = t·Z₁ + (1 − t)·Z₀ 对所有的 t 都成立，也就是速度沿路径恒定，恒等于 Z₁ − Z₀。这样的流，一步欧拉 Z₁ = Z₀ + v(Z₀, 0) 就是精确解——速度从头到尾不变，从 0 积分到 1，位移就是 v(Z₀, 0)×1。所以直线流天然是一个 one-step 模型。论文还定义了弯曲度度量 S(Z) = ∫₀¹ E[||(Z₁ − Z₀) − Ż_t||²] dt，含义是「每个时刻的实际速度偏离总位移的程度」，S = 0 就是完全直线。定理 3.7 保证：递归 reflow K 次之后，这些流里弯曲度最小的那个以 O(1/K) 的速率趋向 0。翻译成人话：reflow 的次数越多，轨迹越直，离散化误差越小，一步采样越接近精确。

小播：有没有更明确的刻画？什么情况下一个耦合是「直的」？

老播：论文给了四条等价刻画（定理 3.6），最直观的一条是：直线插值的路径互不相交。想一下，如果两条路径不相交，那么每个位置每个时刻只有一个方向，期望条件速度就等于这条线自己的方向，方程就退化成了插值方程本身，流自然就是直的。还有一个一维的特例很有意思：一维情形下，直线耦合恰好等于单调确定耦合，也就是把 π₀ 里小的点送到 π₁ 里小的点，它是所有凸代价函数的共同最优解。高维里没有这么好的事——直线耦合一般达不到某个代价的最优输运，这个我们放到谱系部分再说。

小播：懂了，直线到一步是几何事实，reflow 是让轨迹逼近直线的算法。

老播：还要区分 reflow 和蒸馏。reflow 换耦合——它产生新的、代价更低的配对和更直的轨迹；蒸馏是忠实逼近当前的配对——在最后阶段学一个一步网络 z₁ ≈ z₀ + v(z₀, 0)，损失就是 E[||(Z₁ − Z₀) − v(Z₀, 0)||²]。蒸馏只在最后做。有个实验证据：1-rectified flow 直接蒸馏，CIFAR-10 上一步 FID 是 378，几乎全糊；reflow 之后再蒸馏才有 4.85。说明蒸馏的收益依赖 reflow 先把轨迹拉直，小播：能不能给个具体数字感受一下「弯 + 非匀速」的代价？

老播：看 Figure 5 的对比。VP ODE 和 sub-VP ODE 的轨迹前期几乎不动——t 小于 0.5 时位移很少，大部分更新挤在后期；用大步长（N=1 或 N=2）时，一步就把前期那段整个跳过去，结果完全偏离目标。rectified flow 是直线匀速，每一步均匀推进，粗步长下也不会漏掉一大段。这个机制直接解释了为什么 N=1 时 VP ODE 的 FID 是 451：轨迹弯加上速度不均匀，一步根本覆盖不了整个路径。论文在玩具例子里还专门给 VP ODE 换了匀速时间表（α_t = t），轨迹立刻变直变匀——说明弯和慢是时间表设计造成的，和任务本身无关。

两个操作各干各的活。CIFAR-10 上蒸馏 k=1 时还做了一点工程：把 L2 损失换成 LPIPS 感知损失，效果更好。

关键实验：玩具、CIFAR-10 的数字、迁移和域适应

老播：先看玩具例子。二维分布上，论文用非参数核估计直接算期望条件速度（近邻数 m = 100，带宽 h 在 0.1 到 1 之间），不引入神经网络误差，专门验证理论。Figure 3 的 (a)(b)(c) 三列分别是第 1、2、3 次 rectified flow 的轨迹：从大量交叉绕行，到基本平行的直线。图 (d) 横轴是 reflow 次数，纵轴是两个归一化到 [0,1] 的指标：straightness 在第一次 reflow 后就掉到接近 0；相对 L2 输运代价从约 1 降到约 0.3，之后继续缓慢下降。玩具实验直接演示了「reflow 拉直轨迹、同时降低输运代价」。

小播：真实图像上的数字呢？

老播：主基准是 CIFAR-10，32×32 分辨率，5 万张训练图，无条件生成，网络用 DDPM++ 的 U-Net，Adam 学习率 2e-4，dropout 0.15，EMA 平滑。第一个数字是完整求解：1-rectified flow 用 RK45 自适应求解器，127 次函数评估，FID 2.58、recall 0.57。FID 衡量生成分布和真实分布的差异，越低越好；recall 衡量多样性，越高越好。对照：VP ODE 140 步，FID 3.93、recall 0.51；sub-VP ODE 146 步，3.16、0.55；完整模拟的 VP SDE 要 2000 步才到 2.55、0.58。所以 1-rectified flow 用不到一半的步数就追平了扩散模型，recall 还略高。

小播：那一步采样呢？这是招牌。

老播：一步采样就是 N=1 欧拉步。不蒸馏时，2-rectified flow 的 FID 是 12.21、recall 0.34；3-rectified flow 是 8.15、0.41，图像已经能看了。而 VP ODE 和 sub-VP ODE 在 N=1 时 FID 都在 451 左右、recall 0.0，等于完全糊掉。这个对比很说明问题：同样一次网络调用，轨迹直的模型出的是能看的图，轨迹弯的模型出的是噪声。蒸馏之后，distilled 2-rectified flow 一步 FID 4.85、recall 0.50，超过此前 U-Net 架构最好的 one-step 模型 TDPM（8.91、0.46）和 DDIM Distillation（9.36、0.51）。GAN 家族里 StyleGAN2+ADA 是 2.92、0.49，StyleGAN-XL 是 1.85、0.47，但那是不同架构、还用了大量专门的训练技巧。小播：除了数字，有没有更直观的「轨迹变直」的证据？

老播：有，Figure 9 和 Figure 10 专门做这个。做法叫外推：在轨迹上任取一点 z_t，用公式 ẑ₁ = z_t + (1 − t)·v(z_t, t) 预测它最终会到哪。如果轨迹是直线，这个预测应该和取点位置无关——不管从 t=0.2 还是 t=0.8 处外推，终点都是同一个。Figure 10 在 AFHQ 猫脸上做：2-rectified flow 的 ẑ₁ 几乎不随 t 变，说明路径接近直线；1-rectified flow 的 ẑ₁ 会漂移，但 t≈0.1 时就已经能看出清晰图像，而 sub-VP ODE 要到 t≈0.6 才出清晰图像。Figure 9 右侧还画了 CIFAR-10 上随机像素值的轨迹，2-rectified flow 的像素轨迹基本就是直线，1-rectified flow 的还带弯曲。这些图把「reflow 拉直」从理论变成了看得见的现象。

论文当时声称，FID 4.85 和 recall 0.51（来自 3-rectified flow）是 CIFAR-10 上一步快速生成模型的 SOTA。

小播：那 reflow 是不是做得越多越好？

老播：论文自己说：别做太多轮。Figure 8(a) 里，横轴是欧拉步数 N、纵轴是 FID：在小步数区间（N 大概小于 80），reflow 逐次改善 FID 和 recall；但大步数区间 reflow 反而变差，因为每轮用模型自己生成的配对训练，估计速度场的误差会累积。完整求解时，1-rectified flow 的 FID 2.58 反而最好，2-rectified 是 3.36，3-rectified 是 3.96。所以 reflow 的定位是：拿一点完整求解的质量，换小步数区间的巨大提升。Figure 1 也直观展示了这个效果：同样的猫脸生成任务，1-rectified flow 在 N=1 模糊、N=2 开始清晰；2-rectified flow 在 N=1 就清晰，加到 1000 步几乎不变。

小播：高分辨率和迁移呢？它说这是统一框架。

老播：高分辨率上，1-rectified flow 在 256×256 的 LSUN Bedroom、LSUN Church、CelebA-HQ、AFHQ Cat 上都能生成清晰图像。迁移就是把 π₀ 设成源域、π₁ 设成目标域，同一个训练目标：AFHQ 的猫、狗、野生动物，MetFace，CelebA-HQ，512×512 分辨率，80% 训练、20% 测试，1-rectified flow 用 100 步欧拉迁移质量很好，2-rectified flow 一步就能迁移。为了保持主体身份，损失改成用区分两域的预训练分类器特征加权，让速度误差在影响身份的方向上被重点惩罚。域适应在 Office-Home 和 DomainNet 上：把预训练模型末层特征当分布，1-rectified flow 迁移后，Office-Home 分类准确率 69.2 ± 0.5，对照 Deep CORAL 的 68.7 ± 0.3；DomainNet 是 41.4 ± 0.1，对照 CORAL 的 41.5 ± 0.2，持平或略好。一个算法同时覆盖生成、迁移、域适应，这是它想证明的事。论文还演示了 latent 空间的性质：2-rectified flow 用一个反向步就能拿到有意义的潜码，线性插值两个潜码能平滑过渡，还能把两张拼起来的怪图先反解到潜空间、推向 π₀ 的高概率区再解回来，做图像编辑。

小播：这些潜空间操作具体怎么走？

老播：分三步。第一步，把一张真实图像 z₁ 用反向 ODE 解回潜码 z₀——2-rectified flow 只用一个反向步就能拿到有意义的潜码，1-rectified flow 要多走几步，这就是拉直的又一重收益。第二步，在潜空间里做操作：把两张图的潜码按 √α·z₀ + √(1−α)·z₀′ 线性插值，生成的图像会平滑过渡，论文的 Figure 17 和 18 展示了猫脸渐变。第三步是 Figure 12 的编辑例子：把白猫和黑猫的上半身、下半身拼成一张怪图，反向解到潜码；因为怪图在 π₀ 下的似然很低，把潜码往高概率区推——缩放到 α 倍，或者用 Langevin 动力学——再正向解回去，就得到自然的融合图像。这些操作全是 ODE 可逆性的直接应用，也是确定性潜空间带来的便利。

谱系：它和扩散、最优传输、MeanFlow 各是什么关系

老播：这篇最讨巧的一点，是把概率流 ODE 和 DDIM 收编成了自己的特例。论文证明，VP、sub-VP、VE 这些 ODE 都可以写成 X_t = α_t·X₁ + β_t·ξ 的插值形式，ξ 是标准高斯，这正是非线性 rectified flow 框架。它们的轨迹为什么弯？因为 β_t 不等于 1 − α_t，插值不沿直线走；速度为什么不均匀？因为 α_t 是指数形式，前期走得慢、后期加速。这两个特征都来自 SDE 推导的中间产物，对任务本身没有帮助。换成 α_t = t、β_t = 1 − t 的线性插值，轨迹又直又匀速，回归目标还是同一个最小二乘。论文还有一个更大的主张：扩散方法里的噪声可能本身就不必要，它成功的部分可能来自稳定、可扩展的回归训练，而不是噪声的数学结构。

小播：它和最优传输有什么关系？

老播：最优传输要找「给定代价函数下总代价最小的配对」，代价函数 c 是凸的，比如距离平方。reflow 不针对任何特定的代价，但它保证所有凸代价同时不增，相当于 Pareto 改进。要注意，维度 d ≥ 2 时，直线耦合一般达不到某个代价的最优耦合——直线是「够直」，最优是「够省」，两者有交集但不重合。论文专门证明了一维情形的特例：一维里直线耦合恰好等于单调确定耦合，是所有凸代价的共同最优。所以 reflow 的目标是「够直、能一步采样」，和「求最优输运」是两回事，别混。另外，论文还讨论过 MLE 路线训神经 ODE（2018 年那篇 Neural ODE）的问题：要沿时间反传，容易梯度消失爆炸，而且似然只约束终点分布、路径完全欠定，得靠正则项才能选出「短路径」——小播：扩散那批加速方法，比如 DPM-solver，和它是什么关系？

老播：DPM-solver 那类是「不改轨迹，改进求解器」——用高阶指数积分器在弯曲轨迹上少走几步；rectified flow 是「改轨迹」——让轨迹直到不需要高阶技巧。两条路线后来合流了：flow matching 采用线性插值，回归目标和 rectified flow 相同，再配更好的求解器，Stable Diffusion 3 的 backbone 就是这种形式。论文还系统对比了 ODE 和 SDE 的取舍：ODE 时间可逆，正反向求解一样简单；它的潜空间是确定性的，可以直接做插值和编辑，而 DDPM 的隐变量带噪声、当不了潜空间用；SDE 的优势要在需要捕捉丰富时间相关性，或者建模金融、物理模拟这类高噪声数据时才体现出来。论文的立场很鲜明：对生成和迁移这类「只看边缘分布」的任务，ODE 够用且更省。

相比之下，rectified flow 直接把路画好，再让网络去拟合路，一步到位。

小播：那扩散桥、Schrödinger 桥那类方法，又和它是什么关系？

老播：那类方法把「设计扩散模型」变成「构造桥过程」——桥就是两端都钉死的随机过程。它们理论上有吸引力，但要么要解 Schrödinger 桥问题、计算挑战很大，要么设计空间很大、缺乏一个明确的偏好准则。论文的贡献之一是给出了一个准则：在去掉噪声的 ODE 世界里，直线路径应该被优先；它预期这个想法能推广，给桥过程的设计提供指引。好，最后到最绕的那个对比——

小播：最后，阅读提示里说对比期望条件速度和 MeanFlow 的平均速度，这个怎么讲？

老播：这是今天最容易绕晕的一点，我放慢讲。rectified flow 学的 v_X(x, t) = E[X₁ − X₀ | X_t = x]，是「时刻 t、位置 x 处，穿过此处的直线方向的期望」，它估计的是瞬时速度场在每个位置时刻的条件期望，每个时刻单独算。MeanFlow 是 2025 年的工作，它学的是 u(x, r, t) = E[(Z_t − Z_r) / (t − r) | Z_r = x]，也就是「从时刻 r 到时刻 t 整段路程的平均速度」，直接把整个区间的平均速度预测出来，一次函数评估就从 Z_r 跳到 Z_t，这叫 fastforward 一步采样。两者是同一族对象：当轨迹是直线且匀速时，瞬时速度等于区间平均速度，等于常数 Z₁ − Z₀，两个框架在这一极限下收敛到同一个量。区别在路线：rectified flow 用 reflow 把轨迹拉直，让瞬时速度场沿路径变恒定；MeanFlow 不拉直轨迹，直接学区间平均。一个靠把路修直，一个靠直接算全程平均，回答的是同一个问题——一步采样怎么成为可能。

小播：这么一讲就通了：直线轨迹是两者共同的极限，也是 one-step 的几何基础。

局限：一步采样不是免费的

老播：讲局限，先说论文自己承认的。第一，reflow 不能无限做：估计速度场的误差会逐轮累积，实验上大步数区间 reflow 反而变差。而且少步采样的便宜，建立在多轮训练的贵之上——每轮 reflow 要重新生成 400 万对样本、再微调 30 万步。第二，维度 d ≥ 2 时直线耦合一般达不到给定代价的最优耦合，论文自己承认要在后续工作里把速度场限制成梯度场，才能逼近二次代价的最优输运。第三，期望条件速度要良定义，需要条件密度存在且光滑；否则要往起点加高斯噪声平滑，输运会变成随机映射。第四，理论保证（拉直速率、代价下降）假设每轮都解出精确的速度场，实际是神经网络近似，误差怎么在 reflow 轮次之间传播，论文没有分析。

小播：你自己读下来，觉得哪里证据最弱？

老播：图像迁移这块最弱：论文只给了视觉样例，没有 FID 之类的定量指标，好不好看靠肉眼判断。另外是规模：实验以 32×32 和 256×256 图像为主，没有大规模文本条件生成的系统验证——后来真正大规模落地，比如 Stable Diffusion 3 用 rectified flow 的插值形式，是别的团队在更大规模上做的。还有一步质量本身：CIFAR-10 一步蒸馏 FID 4.85，明显差于完整求解的 1-rectified flow 的 2.58 和 VP SDE 的 2.55，一步和完整求解之间还有差距。最后一点：reflow 的训练数据来自模型自己，这种自举过程在理论上没有收敛到某个唯一解的保证——一维之外，不同轮次的 reflow 可能停在不同的直线耦合上。

收尾：记住这三件事

小播：我来总结本期记住的三件事。第一，reflow 的核心是用已生成的轨迹重新构造耦合：把随机配对的起点终点，换成流自己产生的新配对，交叉越少、轨迹越直。第二，直线轨迹支持一步采样是一条几何事实：轨迹满足 Z_t = t·Z₁ + (1 − t)·Z₀ 时，一步欧拉 Z₁ = Z₀ + v(Z₀, 0) 就是精确解，所以把轨迹学直就等于逼近 one-step。第三，期望条件速度 v_X(x, t) = E[X₁ − X₀ | X_t = x] 和 MeanFlow 的区间平均速度是同一族对象，直线匀速流里它们重合：rectified flow 靠 reflow 修路，MeanFlow 靠直接算全程平均。这三件事其实是一件事——one-step 生成的可能性来自速度沿路径恒定。

老播：补一句这篇对后续的意义。它是 one-step 思想最早的系统表述：给了一个能证明拉直速率、能一步采样的干净框架，把扩散的概率流 ODE 收编成特例，还统一了生成与迁移。后来的 flow matching、蒸馏系 one-step 方法、MeanFlow 的 fastforward 范式，都能在这篇里找到源头。如果你只记住一个数字，就记住这个：CIFAR-10 上，reflow 一次之后，一步欧拉从 FID 378（全糊）变成 12.21（能看），再蒸馏变成 4.85。轨迹直不直，差的就是这一步。