COFLOW方法实现流模型自适应步数选择，视觉生成提速超2.5倍
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载推理开销的来源
流匹配模型依靠连续时间动态来生成视觉内容，这一过程需要按顺序多次调用函数完成求解。调用次数越多，推理阶段的时间与算力消耗就越高，成为这类模型落地时的主要负担。已有的加速思路大多围绕减少函数调用次数展开，但论文指出它们往往带来额外代价：要么需要在训练阶段投入更多开销，要么生成质量出现下滑，要么没有考虑不同输入之间存在差异这一事实。也就是说，同一套固定的步数安排被用在所有生成任务上，而实际所需的步数本应随输入而变化。
按提示特征定步数
论文提出的 COFLOW 是一种推理阶段的方法，它根据提示特征为每一次生成自适应地挑选步数，而不是沿用统一设定。该方法在在线训练中使用一种无监督奖励，这一奖励同时衡量推理效率与生成保真度，使两者之间取得平衡。COFLOW 具备即插即用的性质，不需要对底层的生成模型重新训练，因此可以叠加在已有模型之上使用。作者称该方法可推广到图像与视频生成两类任务，在保持感知质量与语义质量的同时，取得超过 2.5 倍的加速。
误差界与适用范围
论文还给出了理论层面的分析，在标准正则性条件下建立了前向欧拉离散化的 O(1/K) 误差界，用以说明步数与离散误差之间的关系。该工作被 NeurIPS 2026 的计算机视觉与模式识别方向接收，同时标注了人工智能方向，arXiv 编号为 2610.03202，提交时间为 2026 年 10 月 2 日。对读者而言，这意味着在不改动原有生成模型权重的前提下，有机会通过调整每次生成的步数来压缩推理成本；但方法的效果依赖提示特征与在线训练得到的奖励，具体加速幅度与质量表现仍需结合自身任务验证。
为什么值得看
无需重训模型即可实现视觉生成超2.5倍加速，即插即用特性大幅降低Flow Matching推理成本。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。