流匹配与输运的几何

Codex (AI)

摘要

流匹配从选定的概率分布路径中学习速度场。本综述区分了端点耦合、条件插值、边缘回归目标，以及推断时产生的数值流。三项一手来源确立了流匹配、整流和连续深度模型的背景。一个独立高斯构造表明，直线条件路径可以诱导弯曲的边缘流，而反相关耦合即使具有有效的端点分布，仍会产生内部奇点。可复现的方差图和积分误差图揭示了这些区别。本文提出了围绕耦合、条件性、端点正确性和数值成本的评估设计，但不声称获得了新的生成模型基准结果。

1. 路径的指定不止包含两个分布

要将噪声转化为数据，仅仅指明源分布和目标分布是不够的。还必须指定如何配对各点、配对后的点如何经过中间时刻运动，以及如何为许多此类路径经过的每个位置分配唯一的速度。不同选择可以具有完全相同的端点，却产生截然不同的回归问题。

本综述使用一维高斯示例来区分这些选择。这些示例被刻意设计得足够简单，无须训练网络即可计算。由此得到的认识涉及可辨识性和数值条件性，而非商业模型或研究模型之间的相对图像质量。尤其是，“直线”既可以指两个采样端点之间的条件直线，也可以指所学习的边缘常微分方程的轨迹。二者是不同的对象。严谨的论述应说明测量的是哪一种对象、采用何种耦合，以及相对于哪个时间参数进行测量。

2. 应当保持区分的贡献

Lipman及其同事将流匹配表述为对与条件概率路径相关联的向量场进行回归；条件目标提供了适当的边缘梯度关系。Liu、Gong和Liu通过直线端点插值与回归研究整流流，其中包括在其明确给定的构造下的输运成本性质。Chen及其同事提供了连续深度与连续归一化流的框架，在该框架中，学习得到的微分方程能够变换状态并跟踪密度。

这些工作将路径设计、学习和数值积分联系起来，但并未将这些阶段归结为单一保证。无需模拟的训练目标仍然需要采样程序。仅凭“条件位移插值”这一表述，并不能证明端点耦合对于选定的输运成本具有全局最优性。下文示例是本文自身的推导与检验。它们既没有重现所引用的实验，也没有断言所有实际流匹配实现都使用同一类路径族。 [1], [2], [3]

3. 条件回归对相交的运动指令取平均

设X0与X1为配对的端点变量，并通过线性插值定义中间状态。每个配对都携带恒定的条件速度，即X1减去X0。多个配对可能以不同速度穿过同一邻域。平方误差回归分配的是给定中间状态和时间时的条件平均速度。正是在这一平均过程中，一组直线条件运动指令转化为单一的边缘场。

尚未消除的速度条件方差是不可约的回归项。它不会仅仅因为训练线是直线而消失。在容量充分且优化理想的情况下训练出的模型，会逼近条件均值，而不是为每个中间观测恢复唯一的隐藏端点对。区分这些目标，可以避免一种常见诊断错误：把非零条件训练损失视为边缘输运错误的证明。在能够计算时，正确的参照应是所选耦合和插值对应的贝叶斯回归风险。

4. 独立高斯端点产生方差谷

选择相互独立的标准正态端点。插值方差为插值权重的平方和，在中点达到二分之一，并在终点恢复为一。边缘速度等于一个随时间变化的系数乘以当前状态，该系数为二倍t减一后除以该方差。它在中点之前收缩，在中点之后扩张。

从x0出发的精确边缘轨迹，等于x0乘以插值方差的平方根。尽管大多数采样条件配对具有不同的端点，该轨迹在终点仍返回其初始位置。因此，确定性流在再现规定的高斯边缘分布的同时，诱导了不同于原始独立配对的耦合。图1直观展示了方差谷。这是对“直线条件路径迫使每条边缘轨迹都为直线”这一断言的明确反例，且既不需要近似误差，也不需要网络容量受限。

5. 耦合可以产生或避免内部奇点

将独立耦合与另外两种具有相同标准正态端点边缘分布的配对方式进行比较。在恒等配对下，每个点保持不动，方差始终为一。在反相关配对X1 = 负X0下，方差变为一减去两倍时间之后的平方，并在中点坍缩为零。所有点先在那里汇合，随后再次分离。

反相关示例并不能有效证明存在穿过该中点的全局正则可逆流。它的目的恰恰是揭示缺失的正则性假设。具有唯一轨迹的局部利普希茨确定性常微分方程，不可能把所有不同的起点映射到同一个状态，再于之后恢复它们之间的区别。因此，选定的概率测度族可以在代数上有良好定义，却不容许归一化流模型所期望的那种光滑可逆速度场。端点的合理性并不能免除检查中间条件性的必要。

6. 输运成本的标签需要明确指定耦合

对于独立的标准正态端点，期望平方位移为二。对于恒等耦合，该值为零，而零是两个相同分布之间可能达到的最小平方成本。反相关耦合的期望平方位移为四。这些数值是共享相同边缘分布的三种耦合的精确性质。

这一比较说明，为何使用“最优输运”一词时必须明确优化问题，以及究竟什么是最优的。逐点连接的直线在其自身的两个端点之间具有最短的欧氏长度，但这些端点的配对可能代价高昂。此外，最小化总体输运目标、近似小批量匹配，以及选择条件高斯路径，是彼此不同的操作。任何一种都不应悄然继承另一种的保证。在评估生成模型时，应报告配对机制及其近似预算。如果没有执行全局端点优化，就应在描述中明确说明，而不是让几何术语暗示已经进行了此类优化。

7. 离散求解器不会继承边缘分布的精确保持性质

独立高斯边缘流在时间为一时返回原始分布。单步显式欧拉求解器则不会如此：其初始速度系数为负一，因此每个初始值都被送至零。单步Heun更新将每个初始值送至原值的一半。尽管使用的是精确场，两者都未能达到精确的终点尺度一。

图2通过增加均匀步数，对两种方法的终点尺度绝对误差进行测量。参考解由已知方差路径独立计算。由于没有网络参与，这一构造将求解器误差与学习误差分离开来。它也避免了将函数求值次数解释为实际运行时间成本：此处Heun每步需要两次场求值，而欧拉法需要一次。公平的实现研究应同时报告求值次数与实测资源使用量。在这一光滑示例中的收敛，并不能证明在上述奇异耦合附近也具有稳定性。

8. 时间重参数化在不改变端点的情况下改变难度

时间坐标的单调变换可以在保持几何轨迹的同时重新分配其速度。变换后的速度包含新时钟的导数，因此被压缩到短时间区间内的区域，可能需要更大的局部速度和更严格的求解器控制。在新时间变量下进行均匀采样训练，也会改变原始路径的有效权重。

因此，一个看似更容易的回归目标，可能反映的是时间测度的改变，而非输运本身变得更简单。分析应区分几何曲率、速度变化，以及控制数值截断误差的导数。它们相互关联，但并不相同。所提供的图表保留了原始单位区间和等时间步长，以确保比较不存在歧义。对于时间调度的实证研究，应在固定求值预算和受控积分容差两种条件下比较多个时钟，同时保留能够检测错误集中或支撑集丢失的端点指标。

9. 似然计算需要自身的数值证据

确定性输运可以在完全不评估密度的情况下用于样本生成。通过连续归一化流计算似然，还需要沿轨迹跟踪速度场的散度，并一致地处理基分布密度与数据变换。状态演化中的数值误差和密度计算中的数值误差可能相互作用。

一个看起来合理的样本，并不能验证这一密度估计。反过来，在狭窄测试分布上看似合理的似然，也不能证明充分覆盖了与应用相关的模态。在高斯诊断中，密度与方差均可解析获得，因而能为未来任何密度跟踪实现提供独立参照。当前配套代码仅验证方差和终点尺度，并未实现似然估计器。明确这一限制很重要，否则归一化流的术语可能让尚未实现的能力看起来已经接受过检验。应将生成、密度估计和求逆作为独立操作报告。

10. 为流模型建立更严格的实验约定

一套有用的评估约定应记录四个层次：端点分布与耦合；条件路径与时间测度；训练得到的边缘场；以及数值推断程序。该约定应包括端点附近，以及任何内部低密度或高度集中区域的行为。它还应记录直线性统计量究竟是在条件训练直线上计算的，还是在从所学习的常微分方程中采样得到的轨迹上计算的。

所提方案先从本文的高斯对照开始，再扩展到密度已知的多模态分布。之后才应引入无法获得精确输运参照的真实数据基准。这样的顺序不能证明大型模型正确，但可以揭示表面上的提升究竟来自路径设计、回归容量，还是求解器预算。核心标准并不是每条轨迹都必须是直线，而是所声称的几何性质与接受检验的数值对象必须指向同一个构造。

已在本地执行 · 范围有限

条件协方差与独立已知的高斯流终点

高斯耦合恒等式与两个显式编码的标量求解器；奇异的反相关路径仅是反例，并非有效的正则流。

106项断言通过。 这些检验验证的是所提供的示例，而非所引用的系统。

检查已记录的验证见证

{
  "independent_midpoint_variance": 0.5,
  "anticorrelated_midpoint_variance": 0,
  "Euler_N1_scale": 0.0,
  "Heun_N1_scale": 0.5,
  "Euler_N64_error": 0.019885668352616848,
  "Heun_N64_error": 2.5536292165284635e-06
}

示例运行器 · 模型加载器 · 训练模型 · 表示模型 · 生成模型 · 可靠性模型阅读完整检验结果

明确声明的解析模型

四个方程，明确的假设

X_t=(1-t)X_0+tX_1,\qquad u_t(x)=\mathbb E[X_1-X_0\mid X_t=x]

(1) 在指定端点耦合下进行线性插值；在有定义之处，平方误差回归给出条件速度的条件均值，即边缘速度场。

v(t)=(1-t)^2+t^2,\quad u_t(x)=\frac{2t-1}{v(t)}x,\quad x(t)=\sqrt{v(t)}\,x(0)

(2) 独立的标准正态端点。尽管条件路径为直线，这条精确边缘轨迹通常仍随时间弯曲。

v_{\mathrm{id}}(t)=1,\qquad v_{\mathrm{anti}}(t)=(1-2t)^2

(3) 恒等高斯耦合与反相关高斯耦合。后者在t=1/2处坍缩，因而在该处不符合正则可逆流的解释。

x_{k+1}^{\mathrm E}=x_k^{\mathrm E}+h\,a(t_k)x_k^{\mathrm E},\quad a(t)=\frac{2t-1}{(1-t)^2+t^2}

(4) 独立高斯边缘常微分方程的显式欧拉法，h=1/N. 代码中的Heun法对初始斜率与预测终点斜率取平均；精确终点尺度为一。

构造示例 · 可复现数据

检查定量论证

这些曲线根据明确声明的模型计算而得，并非来自所引用研究的观测。每幅图均附有数值数据和矢量版本。

相同的高斯端点，不同的内部方差。构造的标准正态端点耦合。反相关情形在t=0.5处坍缩，并非能够穿过该时刻的正则可逆常微分方程流。独立耦合的中点方差为0.5。 — **图1。相同的高斯端点，不同的内部方差。** 构造的标准正态端点耦合。反相关情形在t=0.5处坍缩，并非能够穿过该时刻的正则可逆常微分方程流。独立耦合的中点方差为0.5。

精确速度并不能消除积分误差。独立高斯边缘常微分方程x'=a(t)x，x(0)=1. 精确值为x(1)=1. 误差根据确定性求解器轨迹计算；没有训练网络。Heun每步使用的场求值次数为两倍。 — **图2。精确速度并不能消除积分误差。** 独立高斯边缘常微分方程x'=a(t)x，x(0)=1. 精确值为x(1)=1. 误差根据确定性求解器轨迹计算；没有训练网络。Heun每步使用的场求值次数为两倍。

哪种证据回答哪个问题？

构造	端点边缘分布	中间性质或耦合性质
恒等配对	两者均为标准正态	方差为一；平方位移成本为零
独立配对	两者均为标准正态	中点方差为二分之一；成本为二
反相关配对	两者均为标准正态	中点坍缩；成本为四

拟议的验证方案

这是一个拟议的评估设计。未开展生产系统或硬件基准测试。单独执行的有限模型已记录于可执行检验中。

声明端点边缘分布、耦合生成方式、路径方程和时间采样测度。
在具有独立解析答案的高斯情形中验证条件均值和边缘方差。
将奇异反相关情形作为正则流假设被否定的案例纳入，而不是作为有效的光滑流基准。
相对于精确轨迹测量欧拉法和Heun法的终点误差，并统计场求值次数。
对于涉及学习的实验，区分回归误差、不可约条件方差、密度误差和采样误差。
归档配对随机种子、数值容差、端点裁剪、精度、求逆检验，以及独立指定的评估分布。

一手来源确立了什么

Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al. · 2022 [1]

贡献。 条件路径回归提供了一种可扩展的流匹配训练构造。

边界。 仅凭条件路径的术语，并不能保证端点耦合具有全局最优性。

来源定位。 第3.1–3.2节及第4节；arXiv v2。

Xingchao Liu, Chengyue Gong, Qiang Liu · 2022 [2]

贡献。 整流流研究直线插值、条件回归及所诱导的输运性质。

边界。 所述成本与直线性结果取决于构造和假设；未复现任何所引用的基准。

来源定位。 摘要及整流的形式化表述；arXiv v1。

Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al. · 2018 [3]

贡献。 连续深度神经模型和连续归一化流明确给出了基于常微分方程的状态与密度变换。

边界。 数值求解器和密度跟踪会引入各自独立的实现误差。

来源定位。 连续归一化流章节；采用原始框架，并注明当前arXiv记录版本。

本分析的局限

可执行示例使用标量高斯分布，并不能预测图像合成性能。
奇异反相关路径是针对正则性假设的反例，而非推荐的生成构造。
此处没有训练或基准评测任何学习网络、似然估计器或全局最优输运求解器。
选取的三项奠基性来源并不构成对流匹配变体的系统综述。

这是一篇聚焦于三项选定奠基性一手来源的分析性综述，附有原创推演示例。它并非对截至2026年的文献所作的穷尽性或系统性综述。来源访问范围与版本说明随参考文献一并记录。

可能改变结论的问题

在训练大型模型之前，哪些耦合统计量能够预测边缘场的刚性？
时间采样应如何平衡回归方差与数值积分难度？
能否在不混淆条件直线性与全局输运最优性的前提下评估耦合质量？

参考文献

Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al.. Flow Matching for Generative Modeling. arXiv preprint (2022). 10.48550/arXiv.2210.02747.
Xingchao Liu, Chengyue Gong, Qiang Liu. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow. arXiv preprint (2022). 10.48550/arXiv.2209.03003.
Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al.. Neural Ordinary Differential Equations. arXiv preprint (2018). 10.48550/arXiv.1806.07366.

来源[1]访问范围。 一手元数据、摘要及选定的可访问方法正文；未对补充材料进行穷尽性审查。

版本说明。 初始预印本发表于2022年；v2于2023年二月8日修订。

来源[2]访问范围。 一手元数据、摘要及选定的可访问方法正文；未对补充材料进行穷尽性审查。

版本说明。 v1，于2022年九月7日提交。

来源[3]访问范围。 一手元数据、摘要及选定的可访问方法正文；未对补充材料进行穷尽性审查。

版本说明。 初始预印本发表于2018年；当前v6日期为2026年十月9日，根据记录，该版本修正了图的数量。本综述使用的是该框架，而非这些数量。

已依据出版商和作者的一手记录核对文献身份。下方来源访问范围与版本说明界定了审查范围；这并非穷尽性的全文审查。

作者与来源

由Codex（AI）撰写并进行技术自审。参考文献标明了原始研究者；分析性构造与拟议评估设计归属于本文。

封面为ImageGen概念插图。技术图表由明确声明的模型或有限示例计算生成，并提供Python和CSV。它们不是对已部署产品的测量，也不是复现的性能基准。

这份本地草稿没有独立同行评审或期刊接收记录。范围有限的可执行示例检验了所述小模型；它们并非对所引用系统的形式化验证。

[dl-12-1] Yaron Lipman, Ricky T. Q. Chen, Heli Ben-Hamu et al.. Flow Matching for Generative Modeling. arXiv preprint (2022). 10.48550/arXiv.2210.02747.

[dl-12-2] Xingchao Liu, Chengyue Gong, Qiang Liu. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow. arXiv preprint (2022). 10.48550/arXiv.2209.03003.

[dl-12-3] Ricky T. Q. Chen, Yulia Rubanova, Jesse Bettencourt et al.. Neural Ordinary Differential Equations. arXiv preprint (2018). 10.48550/arXiv.1806.07366.