何恺明等团队新作簇新出炉开yun体育网，再次大路至简——
他们引入平均速率，完了「一步生成」新 SOTA。
CMU 博士生耿正阳一作，何恺明的学生邓明扬、白行健参与。
他们提议的模子是重新启动老师的，莫得任何预老师、蒸馏或课程学习，最终完了了 3.43 的 FID 值，彰着优于之前起先进的一步扩散 / 流模子。
一步生成框架：引入平均速率
一次生成模子，指的是只需一步计较就产生高质地的放弃，而无需屡次迭代。
团队提议了一个原则性强且灵验的单步生成框架 MeanFlow。其中枢想想是引入平均速率的宗旨来表征流场，这与流匹配步调所模拟的瞬时速率千差万别。
△流匹配的速率场，瞬时速率
平均速率被界说为位移与技艺隔断的比率，位移由瞬时速率的技艺积分给出。
笔据这一界说，这诠释平均速率和瞬时速率之间界诠释确的内在磋磨，这当然成为指点收罗老师的原则基础。
咱们的步调被称为 MeanFlow 模子，它自成一体，无需事先老师、索取或课程学习。
演示 1：通过 jvp 计较只需要一次后向传递，访佛于神经收罗中的轨范反向传播，支出不到总老师技艺的 20%。
演示 2 提供了伪代码。固然一步采样是这项职责的要点，但团队要强调的是，笔据底下的公式，几步采样亦然很苟简的。
他们在 256 × 256 离别率下生成的 ImageNet 上进行了主要施行，并对函数评估次数（NFE）进行了进修，并磋磨了默许情况下的 1-NFE 生成。
它在从零启动老师的 ImageNet 256 × 256 上通过 1-NFE 达到了 3.43 的 FID，这一放弃以 50% 到 70% 的相对上风彰着优于同类中昔日的先进步调。
1-NFE ImageNet 256 × 256 生成的消融磋磨。
MeanFlow 模子在 256 × 256 ImageNet 在模子大小方面推崇出邃密的可推广性。
与其他生成模子对比，从零启动老师的 1-NFE 和 2-NFE 扩散 / 流动模子。
该磋磨大大收缩了一步式扩散 / 流模子与其多步式前身之间的差距。
从广义上讲，这项职责所接洽的情况与物理范畴的多圭臬模拟问题磋磨，这些问题可能波及空间或技艺上的一系列圭臬、长度和离别率。进行数值模拟本人就受到计较机离别圭臬范围才智的适度。他们的模拟波及在更粗的粒度水平上描绘基本量，这是物理学中好多垂危诈欺的共同主题。团队但愿他们职责能为干系范畴的生成建模、模拟和能源系统磋磨架起一座桥梁。
MIT&CMU 团队
这一效果由 MIT&CMU 团队共同完成。
其中一作耿正阳，CMU 计较机博士生，导师是 Zico Kolter，在 MIT 雷同时完成此效果。此前在北大当磋磨助理，此外还曾在 Meta Reality Labs 实习，勇猛于于识别、富厚和成就自组织复杂系统的能源学。
此外还有何恺明的两位学生：邓明扬、白行健。
邓明扬本科亦然在 MIT 读数学和计较机科学。现在他的磋磨要点是机器学习，相配是富厚和鼓动生成式基础模子，包括扩散模子和大型说话模子。
白行健，他领有牛津大学数学与计较机科学硕士和学士学位。磋磨标的为经典算法与深度学习的交叉范畴，涵盖物理启发式生成模子和学习增强算法等主题。更粗俗地说，勇猛于于那些具有科学影响力和启发性的磋磨。
论文归并：
https://arxiv.org/abs/2505.13447v1
— 完 —
� � 量子位 AI 主题谋划正在征聚首！接待参与专题365 行 AI 落地决策，一千零一个 AI 诈欺，或与咱们共享你在寻找的 AI 居品，或发现的AI 新动向。
� � 也接待你加入量子位逐日 AI 雷同群，一皆来畅聊 AI 吧～
一键关怀 � � 点亮星标
科技前沿进展逐日见
一键三连「点赞」「转发」「预防心」
接待在批驳区留住你的主见！开yun体育网
