2025 年 5 月的一篇論文中，何愷明與 CMU、MIT 聯(lián)合團(tuán)隊(duì)提出了一種全新的一步生成框架 MeanFlow。

圖片

論文標(biāo)題是：《Mean Flows for One-step Generative Modeling》。從論文的實(shí)驗(yàn)曲線來(lái)看，只跑1 步，圖像質(zhì)量居然能甩開(kāi)跑 250 步的老牌擴(kuò)散模型（2021 年前后的經(jīng)典擴(kuò)散模型，如 ADM）。

這篇論文給一度陷入瓶頸的“一步生成”領(lǐng)域重新點(diǎn)燃了希望：作者們將傳統(tǒng) Flow Matching 中“瞬時(shí)速度”視角，替換成“平均速度”視角，一舉把 ImageNet 256×256 的單次前向生成 FID 做到 3.43，較此前最佳 Shortcut-XL 的 10.60 提升近 70% 。

忍不住感嘆：從 ResNet 到 Faster R-CNN，再到今天的 MeanFlow，何愷明這位「卷王」依舊在用最底層的思路改寫(xiě)上層玩法。

1.一條隱藏多年的“支流”

2015 年，GAN 讓“自動(dòng)造圖”第一次進(jìn)入公眾視野，但訓(xùn)練不穩(wěn)定，像一條湍急的河。2020 年，DDPM 把隨機(jī)噪聲反推回清晰圖像，用上百步“蹚河”，穩(wěn)，卻慢。2023 年，Consistency Model 把河道分成十幾段，研究員們開(kāi)始想：能不能一步就上岸？

問(wèn)題卡在“速度場(chǎng)”——以往 Flow Matching 追的是瞬時(shí)速度，像每一幀都按下快門(mén)；Consistency 強(qiáng)行讓不同時(shí)間的輸出對(duì)齊，訓(xùn)練要靠“小步→大步”。

平均流的靈感很樸素：真正決定終點(diǎn)的，是位移而不是瞬時(shí)速度。

論文用一道看似中學(xué)物理的恒等式把“平均速度—瞬時(shí)速度—時(shí)間導(dǎo)數(shù)”連在一起，給網(wǎng)絡(luò)一個(gè)可微、閉合的目標(biāo)。

回到連續(xù)動(dòng)力系統(tǒng)視角，數(shù)據(jù)分布與先驗(yàn)噪聲之間存在一條流場(chǎng) v(z,t) （瞬時(shí)速度）；而從時(shí)刻 r 走到 t 的平均速度可寫(xiě)為：

圖片

作者推導(dǎo)出一個(gè)MeanFlow 恒等式：

圖片

對(duì)等式兩邊關(guān)于 t 求導(dǎo)，并將 r視為與 t 無(wú)關(guān)的量，從而得到：

圖片

其中，左邊的運(yùn)算使用了乘積法則，而右邊則運(yùn)用了微積分基本定理。整理各項(xiàng)后，我們得到以下恒等式：

圖片

這條恒等式把可積分但難顯式計(jì)算的平均速度，轉(zhuǎn)換成了“瞬時(shí)速度 + 一階導(dǎo)數(shù)”這樣的可監(jiān)督目標(biāo)，從而擺脫了課程學(xué)習(xí)和蒸餾。于是， MeanFlow 在 ImageNet 256 × 256 上用 1-NFE 拿到 3.43 FID，直接把最佳記錄砍掉近七成。

圖注：MeanFlow：訓(xùn)練流程

2.為什么只改“一行公式”，就能把整條河道打直？

如果把 DDPM 的 250 步想象成在激流里踩 250 塊石頭，MeanFlow 的做法是：直接把河底拓平，然后告訴你水面在哪——一步就能蹚過(guò)去。這聽(tīng)上去像魔法，可推導(dǎo)其實(shí)就三件事：

第一，承認(rèn)“平均速度”才是終點(diǎn)位移的真正代言人；第二，用那條中學(xué)物理恒等式，把平均速度拆解成“瞬時(shí)速度＋一階導(dǎo)數(shù)”；第三，把一階導(dǎo)數(shù)塞進(jìn) Jacobian-vector-product，反向傳播只比普通卷積慢 20%。

訓(xùn)練端多掏 20% 計(jì)算，推斷端卻省下 249 次前向。更妙的是，恒等式天生閉合，不需要 Consistency Model 那種“小步→大步”的課程學(xué)習(xí)，也省掉了蒸餾的大模型教師。網(wǎng)絡(luò)一旦收斂，就等于把整條時(shí)間軸折疊進(jìn)了權(quán)重里。

實(shí)驗(yàn)階段，論文作者把 Base、Large、XL 三個(gè)尺寸統(tǒng)統(tǒng)跑了一遍：

• Base/2 版只用 12 B 參數(shù)，1-NFE 就把 FID 打到 5.1，比同級(jí)的 Consistency 好一個(gè)身位；
• 換成 XL/2，跑 240 epoch 后，F(xiàn)ID 滑到 3.43；
• 把 NFE 開(kāi)到 2 并把訓(xùn)練拉滿 1000 epoch，成績(jī)甚至追平了 DiT-XL 在 250-step 時(shí)的 2.27。

圖注：MeanFlow模型在ImageNet 256×256數(shù)據(jù)集上的可擴(kuò)展性表現(xiàn)。

把文中的公開(kāi)數(shù)據(jù)拉出來(lái)橫向算一遍，會(huì)發(fā)現(xiàn)：在 1-NFE 場(chǎng)景里，把模型從 B/2 升級(jí)到 XL/2 往往比把同一尺寸的步數(shù)從 1 增加到 2 帶來(lái)的收益更大；而長(zhǎng)訓(xùn)版 XL/2+ 的 2-NFE FID 2.20 已經(jīng)略低于 DiT-XL 在 250-step 時(shí)的 2.27。結(jié)論還不算板上釘釘，但至少說(shuō)明：在端側(cè)部署的硬算力預(yù)算里，“堆參數(shù)”有時(shí)比“堆步數(shù)”見(jiàn)效更快。

當(dāng)然，MeanFlow 也沒(méi)到“一統(tǒng)江湖”的時(shí)刻。最大的問(wèn)題有三樁：

• 骨干挑食：論文全程抱著 DiT-style ViT 不放，UNet 在高分辨率下會(huì)不會(huì)“找不到河道”還沒(méi)人驗(yàn)證；
• 軌跡彎曲：如果數(shù)據(jù)流形像阿爾卑斯山脈一樣迂回，一步把山脈攤平成平原也許會(huì)扭曲細(xì)節(jié)，adaptive-NFE 該怎么做還是空白；
• VAE 依賴：高分辨率生成目前得先把圖像壓進(jìn) latent，再解碼回來(lái)，這條“先壓后打”的管道仍舊是瓶頸。

但就像 2015 年沒(méi)人敢想 GAN 能畫(huà) 4K，2025 年的“一步生成”也剛剛發(fā)軔。平均速度這條支流，一旦被捅開(kāi)，就很難再被堵回去。接下來(lái)你大概率會(huì)看到兩股風(fēng)潮：

一是 “快速物理”。氣候模擬、湍流預(yù)測(cè)都在求一條從噪聲到穩(wěn)態(tài)的最短路徑，MeanFlow 的數(shù)學(xué)骨骼天然契合；

二是 “巴掌模型”。有人已經(jīng)在把平均速度塞進(jìn) LoRA、Adapter 里，試圖用十幾個(gè) million 的參數(shù)卷出可商用的端側(cè)版本。

論文：https://arxiv.org/abs/2505.13447https://mlg.eng.cam.ac.uk/blog/2024/01/20/flow-matching.html