AITOP

5月19日

10:02

arXiv cs.AI@Chenrui Ma, Xi Xiao, Lin Zhao, Tianyang Wang, Ferdinando Fioretto, Yanning Shen

精选58

Drift Flow Matching (DFM) 提出了一种新框架，将高效的 Drift 模型（单步生成）与 Flow Matching（多步迭代生成）结合起来。DFM 保留了直接传输映射的效率，同时允许通过多步推理来优化生成质量，从而在计算成本与生成质量之间灵活权衡。实验表明，DFM 在多个任务和数据集上均有效，为生成模型提供了新的自适应采样范式。

论文生成模型 Flow Matching Drift 模型推理扩展采样效率

推荐理由：做生成模型研究的开发者终于有了一个既能高效单步生成、又能按需多步精调的框架——DFM 解决了 Drift 模型缺乏推理扩展性的痛点，值得关注其在不同场景下的灵活应用。

5月18日

10:30

arXiv cs.LG@Shuchan Wang

精选58

研究人员提出了一种新的生成模型水印方法，将水印直接嵌入到Flow Matching模型的连续动态（速度场）中，而非模型权重或输出。该方法通过随机编码在训练时添加密钥相关的扰动，检测时从黑盒查询中恢复信息，且不改变生成分布。在MNIST和CIFAR-10上的实验表明，该方法能可靠恢复水印，保持生成质量，且无密钥时解码准确率仅为随机水平。

论文水印 Flow Matching 生成模型版权保护随机编码

推荐理由：这项研究解决了生成模型版权保护的核心难题——水印不可篡改且不影响生成质量，做AI安全或模型部署的团队值得关注，可以直接参考其黑盒检测方案。

5月11日

11:42

arXiv cs.AI（学术论文）

精选80

Flow-OPD提出首个将在线策略蒸馏（OPD）集成到Flow Matching模型中的统一后训练框架，有效解决了多任务对齐中的奖励稀疏和梯度干扰问题。该框架采用两阶段对齐策略：先通过单奖励GRPO微调培养领域专用教师模型，再通过Flow冷启动、在线策略采样、任务路由标注和密集轨迹监督将异构专业知识整合到单个学生模型中。研究者还引入了流形锚点正则化（MAR），利用任务无关教师提供全数据监督，避免RL驱动对齐中常见的美学退化。在Stable Diffusion 3.5 Medium上的实验显示，GenEval分数从63提升至92，OCR准确率从59%提升至94%，整体提升约10个百分点，且保持图像保真度和人类偏好对齐，并出现“超越教师”效应。该工作为构建通用文本到图像模型的可扩展对齐范式奠定了基础。

论文图像生成 Flow Matching 在线策略蒸馏多任务对齐 Stable Diffusion 3.5

推荐理由：该工作针对现有多任务对齐中指标相互制约和奖励欺骗的痛点，将LLM领域成熟的OPD方法成功迁移至图像生成领域，并通过冷启动、任务路由和正则化创新提升了效果。实验在关键指标上大幅领先现有方法，对业界构建高性能通用文生图模型具有直接参考价值。