流匹配

Flow MatchingFM入门必知

学习一个把噪声平滑搬运成真实数据的速度场，再沿它积分生成样本的方法。

流匹配由 Meta 的 Lipman 等人在 2022 年提出（发表于 ICLR 2023），用来训练「连续归一化流」这类把噪声连续变形成数据的生成模型。做法是：在噪声样本和真实样本之间人为规定一条路径（最常用直线插值），训练网络预测路径上每一点的速度（速度场），损失就是预测速度与目标速度的均方误差，训练时不需要模拟整条轨迹。生成时从噪声出发，沿网络给出的速度做数值积分，机器人动作生成里一般几步到十步就够（π0 用 10 步，GR00T N1 用 4 步）。它和扩散模型同属「从噪声逐步变成数据」一类，扩散可看作它的一种特定路径；直线路径往往训练更快、采样所需步数更少，与同期的整流流思路相近。机器人领域 π0 用它在动作专家里生成动作块，GR00T N1 等也采用了它。