這項由德國馬克斯·普朗克資訊研究所（Max Planck Institute for Informatics，隸屬薩爾蘭資訊校區）的研究團隊完成的工作，發表於2026年ICLR（國際學習表徵大會）第二屆DeLTa研討會，論文編號為arXiv:2604.09181，提交於2026年4月10日。感興趣的讀者可通過該編號在arXiv平台檢索完整論文。
**當AI畫畫時，它在做什麼？**
每當你用AI生成一張圖片，背後發生的事情，用一個比喻來說，就像是一個雕塑家在一堆隨機的雪花中，一點一點地雕刻出一座精美的冰雕。AI從一團完全隨機的"電子噪聲"出發，經過一步一步的雕琢，最終變出一張清晰的貓咪圖片或風景照。這個雕琢的過程，需要走很多步驟，每一步都要讓模型做一次計算，而計算越多，等待時間就越長。
當今最先進的圖像生成AI（比如大家熟知的Stable Diffusion、DALL-E等背後的技術），普遍面臨一個共同的痛點：要生成一張高質量的圖片，需要進行幾十甚至上百次的計算疊代。這就好比你要從城市A到城市B，明明有一條筆直的高速公路，AI卻偏偏走了一條七彎八拐的山路。為什麼會這樣？原因在於AI的起點選擇得不夠好，導致它走向目標的路徑彎彎曲曲，不得不邁很多小步才能到達終點。
馬克斯·普朗克資訊研究所的研究團隊針對這個問題，提出了一套名為**MixFlow**的新訓練策略，通過改進AI的"出發點"，讓它走的路更直，從而用更少的步驟生成同樣甚至更好的圖片。他們的方法平均將圖像生成質量（用FID指標衡量，數值越低越好）提升了12%，與此前最佳對照方法相比也提升了7%，而所需的計算步數基本持平甚至更少。
---
一、AI生圖時的"七彎八拐"是怎麼來的
要理解這個問題，先得明白AI是怎麼生圖的。研究團隊所研究的這類模型，學術上叫做"整流流（Rectified Flow）"或"流匹配（Flow Matching）"，但你完全可以把它理解成這樣一件事：AI要學會在"隨機雪花堆"和"真實圖片"之間建立一條通道。訓練時，AI會看到無數對"雪花起點"和"真實圖片終點"，學習如何把前者變成後者。
問題在於，這些起點（雪花噪聲）是完全隨機的，和終點（圖片內容）毫無關係。打個比方：假設你要把城市裡散落在各處的快遞員（起點）分別送到他們對應的收件人家（終點），但你一開始完全不知道哪個快遞員應該去哪個地方，於是每個快遞員都先跑到城市中心的集散點，再各自散開走向目的地。結果大家的路線全部交叉，造成巨大的混亂和迂迴。
這種"路線交叉"問題，在這篇論文裡被稱為"交叉度（degree of intersection）"。當訓練數據中大量不同的起點-終點對的路徑互相交織時，AI就學不到乾淨利落的直線走法，只能學到一種"平均路線"，也就是面對岔路時模糊地折中，於是生成路徑就變得彎彎曲曲。步驟越少，這種彎路帶來的誤差越大，圖像質量就越差。
解決這個問題的思路，從邏輯上很簡單：讓起點和終點更加"匹配"。如果每個快遞員一開始就被安排在距離自己收件人比較近的地方，那自然走的路就更直。但標準的做法是把所有起點都設置為同一種隨機分布（標準高斯分布，也就是那堆"雪花"），與終點（真實圖片）之間完全沒有關聯，自然就造成了大量交叉和彎路。
---
二、讓"出發點"變得更聰明：κ-前向耦合的設計
研究團隊的第一個貢獻，就是提出了一個叫做**κ-FC（κ-Forward Coupling，κ-前向耦合）**的通用框架。這個框架的核心思想，是讓AI的"出發點"（源分布）不再是盲目的隨機噪聲，而是根據一個叫做κ（讀作"卡帕"）的信號來生成，這個信號可以是關於目標圖片的任何線索。
κ可以是什麼？可以是圖片本身，可以是圖片的類別標籤（比如"貓"或"汽車"），也可以是描述圖片的文字說明，甚至可以是完全隨機的噪聲——靈活度極高。κ越能代表目標圖片的資訊，起點和終點之間的匹配就越好，路徑就越直。
具體來說，這個框架假設κ是起點和終點共同的"幕後原因"。以圖片生成為例，如果κ是圖片的類別標籤"貓"，那麼AI就會學到：凡是要生成貓的圖片，起點就應該從某個和貓相關的區域出發，而不是從整個隨機空間裡隨便挑一個。這樣，不同類別的路徑就不會互相亂竄，大大減少了交叉。
數學上，κ-FC的實現方式是用一個可學習的神經網路來預測起點的分布。這個網路接收κ作為輸入，輸出一個高斯分布的均值和方差（可以理解為：輸出"出發點大概在哪裡"以及"出發點有多分散"）。這個設計讓AI在訓練時既能學好如何從合理的起點出發，又保留了一定的隨機性，避免過於死板。
然而，事情沒有這麼簡單。研究團隊發現，如果僅僅這樣做，會面臨一個非常棘手的兩難困境，他們把它和另一個AI領域的經典問題聯繫起來，稱為"先驗空洞問題（prior hole problem）"。這個問題可以這樣理解：如果你讓起點分布完全跟著κ走、完全偏離標準隨機分布，那麼到了推理階段（真正用AI生成圖片時），你就必須提供κ才能正常生成圖片，否則找不到合適的出發點。但很多時候，κ（比如具體的圖片內容）在推理時根本不可用，你只是想憑空生成一張圖片而已。
與此同時，如果為了保證推理時能正常使用而強迫起點分布和標準隨機分布保持接近，那κ的資訊就基本被浪費了，和沒用κ差不多。這個矛盾依靠一個叫β的超參數來平衡：β越大，起點越接近標準分布，推理越安全但效果越差；β越小，起點越有個性，效果越好但推理越容易出問題。而這個β需要在訓練之前手動設定，一旦設錯，整個模型的效果就會大打折扣。這是κ-FC單獨使用時的核心限制。
---
三、MixFlow：用"混合"來破解兩難困境
這就是第二個也是最核心的貢獻——**MixFlow**登場的背景。研究團隊的解決方案非常精巧，核心思想是：不要非此即彼，而是把兩種起點分布混合在一起訓練。
具體來說，MixFlow的起點分布是這樣構成的：一部分是基於κ的"有資訊的"分布（輸出一個與目標圖片相關的起點），另一部分是完全隨機的標準高斯分布（傳統的"雪花堆"）。這兩部分按照一個叫做w（混合權重，介於0和1之間）的參數線性混合。當w=0時，完全用標準隨機分布；當w=1時，完全用κ驅動的條件分布；中間的值則代表兩者的混合。
關鍵在於，訓練時w是隨機採樣的，每次訓練步驟都會隨機選一個0到1之間的w值。這意味著AI在訓練時會看到從完全隨機起點到完全條件起點的所有可能出發方式，從而學會在整個這個連續空間內都能正常工作。用快遞員的比喻來說：訓練時，有時快遞員被安排在精確的附近位置（w=1），有時在城市的完全隨機位置（w=0），更多時候是在兩者之間的某個地方。AI學會了處理所有這些情況，所以推理時即使只能用標準隨機起點（w=0），它也能走出更直的路——因為訓練時那些"有資訊的起點走直路"的經驗已經被遷移到了隨機起點上。
更妙的是，這種混合設計使得β可以設置得極其小（小到10的負5次方量級），而不會造成訓練不穩定或推理失敗。這是因為混合中總有一部分是固定的標準高斯分布兜底，確保了整個起點空間始終被覆蓋，不會出現"先驗空洞"。而極小的β意味著條件分布可以充分地偏離標準分布，發揮出κ資訊的最大價值，從而大幅降低路徑曲率。
訓練流程在論文中用一個算法清晰地寫出：每次訓練疊代，從訓練數據中取一個樣本和對應的κ，隨機抽取一個時間點t和混合權重w，根據這些計算出混合起點分布，從中採樣起點，再計算路徑中間點，最後優化流模型和條件分布網路兩套參數。損失函數由兩部分組成：一是讓模型預測正確路徑方向的主損失，二是一個很小權重的KL散度正則項，防止條件分布徹底"跑偏"。
推理時，如果κ可用，就可以選擇任意w值來控制起點（w越大，起點越貼近目標，路徑越直，但需要κ）；如果κ不可用，就退回到標準高斯起點（w=0），此時也能受益於訓練時混合帶來的軌跡改善。
---
四、實驗結果：數字說明了什麼
研究團隊在三個圖像生成基準數據集上驗證了MixFlow的效果，分別是CIFAR10（包含10類32×32小圖片，如貓、狗、汽車等）、FFHQ（人臉圖片，64×64解析度）和AFHQv2（各類動物臉，64×64解析度）。
在CIFAR10上，評估分三種場景進行。第一種是"完整模擬"場景，用一種叫RK45的自適應步長求解器，讓AI走滿整條路徑，用FID（Fréchet Inception Distance，越低越好）來衡量質量。MixFlow得到了2.27的FID，而標準整流流是2.58（降低了約12%），此前最佳基線Fast-ODE是2.45、QAC是2.43，MixFlow都優於它們，同時計算步數（約125步）基本相當。第二種是"少步數"場景，只用5步計算（Heun二階求解器）。MixFlow得到19.29，Fast-ODE是24.40，QAC是19.68，MixFlow再次勝出。第三種是9步的情況，MixFlow是8.97，Fast-ODE是9.96，QAC是10.28，差距進一步拉大。
關於軌跡曲率的直接測量，研究團隊生成了10000條軌跡並計算平均曲率。標準整流流的曲率是0.0467，Fast-ODE降到了0.0388，而MixFlow進一步降到了0.0366，比Fast-ODE低了約5%，比標準整流流低了約22%。曲率越低，意味著路徑越直，少步數時的誤差越小，圖像質量越好。
在FFHQ和AFHQv2數據集上，研究團隊與Fast-ODE進行了詳細對比。Fast-ODE需要針對不同的使用場景手動調整β值（論文中給出了β=10、20、30三組），而MixFlow只需固定β=5×10^-5，卻在幾乎所有計算步數下都優於Fast-ODE的所有β設置。舉例來說，在FFHQ用128步時，Fast-ODE最好結果是4.93（β=30），而MixFlow是3.75；在AFHQv2用128步時，Fast-ODE最好是3.96（β=30），MixFlow是3.33。MixFlow的優勢在高步數時尤為明顯，體現出更強的最終生成質量上限。
在訓練效率上也有驚喜：MixFlow只需完成約60%的訓練疊代量，就能達到Fast-ODE完整訓練後的同等性能。這意味著不僅推理更快，訓練本身也更節省計算資源。
---
五、κ怎麼選？越了解目標，效果越好
研究團隊還專門分析了κ的選擇對效果的影響，做了三種對比實驗，全部在w=0（標準高斯起點）的條件下評估，以確保公平比較。
第一種是κ=數據樣本本身（即把真實圖片作為κ輸入給條件網路，訓練時可用，推理時不可用但已將資訊遷移到軌跡上），這是默認和最佳選擇，在所有步數下FID最低，2步時157.43、4步時49.83，一路到128步時2.82。
第二種是κ=類別標籤（比如"貓"、"汽車"等，推理時可提供），稱為κc。效果比標準整流流更好，但不如數據樣本那麼強。在w=0時：2步160.17、4步48.65，128步2.82，和κn大體相當。
第三種是κ=標準高斯噪聲（完全隨機，與目標圖片無關），稱為κn。令人有些意外的是，即使κ是完全無資訊的噪聲，效果依然比標準整流流更好。2步時157.43、4步49.83，128步2.79，略微優於κc的w=0結果。這說明可學習的前向耦合本身的優化機制起了作用——即使κ沒有真實資訊，網路也會在優化中學到把噪聲映射到某個更合理的起點區域。
當κ=類別標籤且在推理時也提供κ（可以調節w）時，有一個有趣的發現：步數很少（2步、4步）時，增大w（更多使用條件分布作為起點）能顯著改善FID；步數充足時，w=0（標準高斯起點）反而更好。這意味著，在已知類別標籤的情況下，可以根據"我有多少計算預算"來動態調整w，不需要重新訓練模型就能在速度和質量之間靈活權衡。
---
六、β有多重要？極小值才能解放潛力
研究團隊還系統地探索了β（KL散度權重）的取值對效果的影響。從β=∞（就是標準整流流，完全不用條件分布）一路測試到β=5×10^-7。
結論清晰：隨著β從∞減小到10^-5，各步數下的FID持續下降，在β=10^-5時達到最佳水平（例如128步FID從3.04降到2.52）。繼續降低到10^-6，低步數時還能繼續提升（2步從99.30降到93.45），但高步數時開始反彈（128步從2.52上升到3.21）。進一步降低到5×10^-7，低步數繼續改善但高步數進一步惡化。到β極小（10^-8量級）時，源分布會崩塌，完全不可用。
這套實驗清楚地表明：β=10^-5是一個良好的默認值，在各步數下都能保持穩健提升。而能把β設到這么小而不崩潰，正是MixFlow混合策略的核心貢獻——標準的κ-FC單獨使用時，β必須保持在較大值（如Fast-ODE用β=10~30），才能保證訓練穩定，因此無法充分發揮條件分布的潛力。
---
七、這和之前的方法有什麼不同？
研究團隊在論文中對相關工作進行了系統梳理，指出改善AI生成步數問題的方法大致分三條路線，MixFlow屬於其中最少被充分挖掘的那條。
第一條路線是"蒸餾"，也就是讓一個大模型去教一個小模型，或者專門訓練一個能一步到位的模型。這類方法雖然能實現單步生成，但往往需要多次重新訓練，而且在步數多時反而比原始模型差。MixFlow只需訓練一次，對所有步數選擇都有改善，並且與蒸餾方法完全兼容，可以在MixFlow訓練的模型上再做蒸餾。
第二條路線是"更好的求解器"，在推理時用更精密的數值方法來走路徑。這好比同樣的彎曲山路，用更先進的導航系統，但路還是彎的。MixFlow則是從源頭減少路的彎曲程度，與更好的求解器完全兼容、可以疊加使用。
第三條路線就是"優化前向耦合"，也是MixFlow所屬的方向。此前的代表工作有小批量最優傳輸（Minibatch-OT）和Fast-ODE。前者在每個批次內尋找最優匹配，但受制於批次大小，效果有限；Fast-ODE則是把條件分布參數化為數據樣本的函數並聯合優化，但受β超參數困擾，且κ只能是訓練時可見的數據樣本，靈活性受限。MixFlow通過將κ的定義推廣到任意信號，並引入混合策略解決超參數困境，在通用性和效果上都有所提升。
此外，還有一項工作QAC（學習量化自適應條件），通過給流模型加上可學習的表示來減小曲率，但仍然假設起點和終點之間是獨立的耦合關係。MixFlow則直接打破了這個假設。
---
八、局限性與未來方向
研究團隊在論文結尾坦誠地指出了當前方法的兩個主要局限。
其一，κ目前只在噪聲、類別標籤、圖片樣本三種形式上進行了測試。對於文本提示（比如"一隻坐在草地上的橘貓"）這類更複雜的條件信號，理論上框架完全支持，但實驗驗證尚未完成。鑑於當前大量生圖模型以文本為條件，這個方向的擴展對實際應用具有重要價值。
其二，MixFlow雖然讓條件分布能更充分地偏離標準高斯分布，但在技術上仍然要求源分布是高斯形式（均值和方差參數化的高斯分布）。更複雜的非高斯分布可能帶來進一步的曲率降低，是值得探索的放鬆方向。
說到底，MixFlow的本質是一個訓練策略的改進，而不是對模型架構的顛覆。這意味著它可以非常方便地集成到現有的流模型訓練流程中，額外成本僅僅是多訓練一個約2M參數的小型條件網路，以及在每步訓練時多採樣一個混合權重。整體計算開銷的增加相當有限，但換來的是顯著的質量和速度改善，這種"性價比"在實際應用中是非常有吸引力的。
---
歸根結底，這項來自馬克斯·普朗克資訊研究所的研究，乾的是一件聽起來簡單但影響深遠的事：讓AI生圖時"走更直的路"。通過給AI的出發點注入一點關於目標的線索，並用混合策略避免由此帶來的各種麻煩，最終的結果是：同樣的計算步數，圖片質量更好；相同的圖片質量，所需步數更少；同樣的訓練資源，收斂更快。對於依賴圖像生成AI的各類應用場景，這意味著更快的響應速度和更低的計算成本。
這項工作自然也引出了值得思考的問題：當κ擴展到文字描述時，效果會怎樣？能否把這套思路用於影片生成或3D生成這類更高維的任務中？現有的混合比例w在推理時是固定的，能否根據圖片內容自動選擇最優的w？這些問題，也許就是這個研究方向下一步最有價值的探索空間。有興趣深入了解全部技術細節的讀者，可以在arXiv上通過編號2604.09181找到完整論文。
---
Q&A
Q1：MixFlow和普通的AI圖像生成模型相比，究竟改進了什麼？
A：普通的AI圖像生成模型（如整流流）從完全隨機的噪聲出發生成圖片，這個起點和目標圖片之間沒有任何關聯，導致生成路徑彎彎曲曲，需要很多步計算才能得到好結果。MixFlow通過引入一個條件網路，讓起點根據目標圖片的相關信號（如類別標籤或圖片本身）做出調整，同時把這種有資訊的起點和傳統隨機起點混合訓練，結果是路徑更直，少步數時圖片質量更好，平均FID提升約12%，訓練收斂速度也快了約40%。
Q2：MixFlow需要額外提供什麼資訊才能用？推理時必須給出圖片內容嗎？
A：不是必須的。MixFlow在訓練時用到了條件信號κ（比如圖片本身或類別標籤），但這種訓練經驗已經被遷移到了整個模型的軌跡結構中。推理時，如果沒有任何條件信號，模型可以退回到標準高斯起點（混合權重w=0）正常生成，依然能享受到訓練時混合策略帶來的曲率改善。如果有類別標籤可用，則可以通過調節w來進一步提升質量或減少所需步數，靈活性很強。
Q3：β超參數在MixFlow里為什麼可以設得這么小，而Fast-ODE不行？
A：Fast-ODE如果把β設得很小，條件分布會完全偏離標準高斯分布，導致推理時沒有條件信號就找不到合適的起點，即"先驗空洞問題"。MixFlow通過在源分布中始終混合一部分固定的標準高斯分布兜底，保證了即使條件分布偏離很遠，整個起點空間仍然被覆蓋，推理時隨時可以用標準起點。這就是為什麼MixFlow可以安全地把β設到10^-5甚至更小，從而讓條件分布充分發揮資訊優勢，大幅降低軌跡曲率。
