Flow 在人工智能领域通常指代数据或信息的连续变换与流动，例如粒子流（Particle Flow）用于数据同化、流匹配（Flow Matching）用于生成模型，以及双流（Dual Flow）架构用于强化学习。近期，多个工作从不同角度拓展了 Flow 的应用边界，推动了生成模型、深度伪造检测和智能体交互等方向的发展。
Flow 在生成与检测中的近期进展
当前焦点与观察点
当前 Flow 相关研究的焦点集中在三个方向：一是利用 Flow 提升生成模型（如流匹配）的可控性与质量，如 DEFAR 和 QGF（价值梯度引导流模型生成高回报动作）；二是将 Flow 与其他机器学习范式（如强化学习、数据同化）融合，增强系统对动态环境的适应能力；三是通过“双流”或“多流”架构改进表示学习与泛化性能。值得注意的争议点包括：不同 Flow 变体（如粒子流 vs. 流匹配）在计算代价和适用场景上的取舍，以及它们在面对大规模数据时的可扩展性。此外，Google Flow 接入实景数据表明，Flow 正在从算法研究走向产品级应用，但如何保障生成内容的真实性和一致性仍是待解的难题。