已验证75% 置信事实精确时间
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
3
来源数
75%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
已验证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76% 相似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75% 相似待验证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73% 相似待验证流匹配的思路是学习一个时间依赖的向量场v_t(x)，使由该向量场驱动的常微分方程能把简单参考分布传输到目标数据分布72% 相似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71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/696665API
curl https://kongchang.com/api/v1/knowledge/claims/696665MCP
get_claim(id=696665)