什么是流匹配（Flow Matching）？一种免模拟训练连续归一化流的方法

流匹配（Flow Matching, FM）是一种用于生成建模的方法，建立在连续归一化流（Continuous Normalizing Flows, CNFs）之上。按照提出它的论文《Flow Matching for Generative Modeling》的描述，流匹配是一种「免模拟」（simulation-free）的训练方式：它通过回归固定条件概率路径的向量场来训练 CNF，而不需要在训练过程中对常微分方程做数值求解。它要解决的问题是，此前训练 CNF 通常依赖昂贵的模拟过程，规模难以做大；流匹配给出了一条绕开模拟的训练路径，使 CNF 的训练可以在前所未有的规模上进行。

为什么重要

要理解流匹配的意义，需要先看它出现之前的路是怎么走的。

连续归一化流是一类生成模型：它把简单的噪声分布，沿着一个由神经网络参数化的向量场，连续地变换成数据分布。这个变换由常微分方程（ODE）定义，从噪声出发积分到终点，就得到一个样本。CNF 的吸引力在于它是连续时间的、可逆的，理论上可以精确计算似然。

但它的训练代价很高。要评估一个样本的似然，或者要计算训练所需的目标，通常必须对 ODE 做数值积分，也就是「模拟」整条轨迹。这个模拟过程既慢又需要保存中间状态，训练成本随规模迅速上升。正因为如此，在流匹配提出之前，CNF 很难在大规模数据上训练，实际使用中往往被扩散模型（diffusion models）等方法取代。

论文指出，流匹配的价值在于它把训练从模拟中解放出来。它不要求先跑一遍 ODE 再算损失，而是直接构造一个可以回归的目标：给定条件概率路径，让模型去拟合对应的向量场。这样一来，训练就变成了一个普通的回归问题，可以在大规模数据上展开。

论文还给出了一个值得注意的观察：流匹配与一大类高斯概率路径兼容，而这类路径把已有的扩散路径作为特例包含在内。也就是说，用流匹配配合扩散路径来训练，可以看成是训练扩散模型的一种替代方案；论文称这种做法在训练上更稳健、更稳定。同时，流匹配也打开了使用非扩散概率路径的大门，这是此前的方法不容易做到的。

工作机制

流匹配的核心做法可以拆成几个要点。

第一，以连续归一化流为底座。模型学习的对象是一个随时间变化的向量场，它定义了一条从噪声分布到数据分布的概率路径。样本的生成过程，就是从这个向量场出发求解 ODE。

第二，构造固定的条件概率路径。流匹配不直接去拟合难以处理的无条件概率路径，而是先指定一族条件概率路径。这些路径是「固定」的，也就是说它们由设计者选定，而不是由模型学出来。论文强调，流匹配与一大类高斯概率路径兼容，可以在噪声样本与数据样本之间做变换。

第三，回归向量场，而不是模拟轨迹。训练目标是让模型的向量场去逼近这些条件路径对应的向量场。因为条件路径是已知且固定的，对应的目标向量场可以直接写出来，训练就退化为一个回归问题。这就是「免模拟」的含义：训练时不需要对 ODE 做数值积分。

第四，路径的选择决定了性能。论文特别提到一类有意思的选择：用最优传输（Optimal Transport, OT）位移插值来定义条件概率路径。论文称，这类路径比扩散路径更高效，训练和采样都更快，并且泛化更好。这说明在流匹配框架下，概率路径的设计是一个可以调节的维度，而不像扩散模型那样被路径形式绑住。

第五，采样用现成的数值 ODE 求解器。训练完成后，生成样本只需要用通用的数值 ODE 求解器对学到的向量场做积分。论文称，在 ImageNet 上使用流匹配训练 CNF，在似然和样本质量两方面都持续优于基于扩散的替代方法，并且可以用现成的数值 ODE 求解器实现快速、可靠的样本生成。

典型例子

论文中给出的具体用法与结果包括以下几项。

• 用扩散路径训练扩散模型。论文发现，把流匹配用在扩散路径上，会得到一种训练扩散模型的更稳健、更稳定的替代方案。这是流匹配与既有方法直接对接的一个例子。
• 用最优传输位移插值定义条件路径。论文把这一选择列为特别值得关注的实例，并称这些路径比扩散路径更高效，训练和采样更快，泛化更好。
• 在 ImageNet 上训练 CNF。论文报告称，用流匹配在 ImageNet 上训练 CNF，在似然和样本质量两项指标上都持续优于基于扩散的替代方法，并支持用现成的数值 ODE 求解器做快速、可靠的样本生成。

需要说明的是，以上效果均出自该论文自身的报告，属于论文作者的主张，而非独立复现的结论。

边界与常见误解

第一，流匹配不是一种新的模型架构，而是一种训练范式。它训练的对象仍然是连续归一化流，改变的是训练目标怎么构造、要不要模拟。把它理解成「另一种网络结构」是常见的偏差。

第二，「免模拟」说的是训练阶段，不是采样阶段。流匹配在训练时不需要对 ODE 做数值积分，但生成样本时仍然要用数值 ODE 求解器去积分学到的向量场。论文在描述采样时明确提到了使用现成的数值 ODE 求解器。

第三，流匹配与扩散模型不是互斥关系。论文明确指出，流匹配兼容的高斯概率路径族把已有的扩散路径作为特例包含在内。因此「流匹配取代扩散」这种说法并不准确；更贴近论文表述的说法是，流匹配为训练扩散模型提供了一种替代路径，同时允许使用扩散之外的路径。

第四，路径的选择会带来取舍。论文称最优传输路径比扩散路径更高效、训练和采样更快、泛化更好，但这是论文在其设定下报告的结果，不能推广成「任何任务上最优传输路径都更好」。

第五，论文报告的性能数字有具体条件。ImageNet 上的比较、似然与样本质量的结论，都来自该论文的实验设置，涉及具体的数据集、评价指标与求解器选择。脱离这些条件引用结论，容易失真。

第六，流匹配并不能消除 ODE 求解本身的代价。采样阶段仍然需要数值积分，步数与求解器的选择会影响生成速度与质量；论文所说的「快速」是相对于其所比较的方法而言。

参考资料

• Flow Matching for Generative Modeling