Bootstrap Your Generator：Flow Matching实现无配对图像编辑

做扩散或 Flow Matching 训练的工程和研究同学值得看这篇。它用 patch-wise PCA 给出了 v-prediction 失效的机理，提出的 RiT 不用改成 x-prediction 也能跑通像素空间训练，在 ImageNet 256×256 上验证有效。

一篇时序预测论文，用 Koopman 算子把扩散模型的多步采样换成一步闭式计算，快 25 倍还拿了 ProbTS 上 13/17 的 CRPS 第一，做预测的可以看看。

训练 Flow Matching 模型的话可以看看，这个 VAP 方法能把平均损失拆到每个时间点，找出哪些区域数据不够、哪些是本质模糊，实验里 Fréchet 距离降了 23.6%。

一篇机器人方向的论文：UniWALM 把动作和语言记忆塞进一个模型一起生成，真实抓物成功率从 11% 拉到 61%，比 Mem-0 那套省事不少。

训练流模型总不稳定？试试把最优传输小批量耦合做大，这篇论文给出了可扩展方案和方差下降证明。

一篇论文提出 COFLOW，按 prompt 动态决定扩散步数，图像视频都能提速 2.5 倍还不用重训模型，做生成的可以看看。