Flux.1 与 SD3：整流流匹配 (Flow Matching) 视觉生成原理解析

为什么传统扩散模型（Diffusion）存在固有弯曲轨迹

在 Stable Diffusion 1.5/XL 时代，主流模型依赖基于得分匹配（Score-Based）的扩散概率模型（DDPM/DDIM）。数据从纯高斯白噪声向自然图像去噪的过程中，其概率流轨迹在空间中是极其弯曲的随机曲线。 这种弯曲轨迹导致求解常微分方程（ODE）时必须消耗 30~50 步积分步数，且生成的文字经常出现肢解与扭曲。

由 Black Forest Labs 开源的 Flux.1 彻底改写了这一局面，其基石正是整流流匹配（Flow Matching）。

直线概率流 (Straight Paths) 与双流 Transformer (MMDiT)

Flow Matching 的数学优雅性在于：

1. 直线插值轨迹：在纯噪声 $x_0 \sim \mathcal{N}(0, I)$ 与真实图像 $x_1$ 之间，直接定义恒定速度的直线概率路径： $$x_t = (1 - t) x_0 + t x_1, \quad \frac{d x_t}{d t} = x_1 - x_0$$ 由于速度向量场近乎直线，欧拉法求解器仅需 4~14 步即可精准收敛！
2. 多模态双流 Transformer (MMDiT)：文本特征向量与图像潜空间 Patch 各自拥有独立的自注意力流，在计算交叉注意力时无缝共享键值对，首次让 AI 具备了完美拼写生僻英文字母的能力。

直线速度向量场步进模拟

import assert from "node:assert/strict";
function eulerStep(x, target, dt) {
  return x + (target - x) * dt;
}
assert.equal(eulerStep(0, 10, 0.1), 1);

原始资料与溯源链接

• Flow Matching for Generative Modeling：流匹配数学奠基论文。