导读
Flow Matching通过回归条件概率路径上的向量场训练连续流模型，让扩散路径与其他传输路径进入同一研究框架。
查看大图 ↗图1：用最优传输概率路径训练的模型生成的ImageNet样例。 来源为v2，图像版本与论文首次公开日分别记录。
Lipman, Yaron; Chen, Ricky T. Q.; Ben-Hamu, Heli; Nickel, Maximilian; Le, Matt · original paper / arXiv · 原论文图文与所引作品权利归各自权利人；研究引用不代表开放授权，转载权利待独立复核。
资料出处 · Flow Matching for Generative Modeling ↗档案研究说明
Flow Matching通过回归条件概率路径上的向量场训练连续流模型，让扩散路径与其他传输路径进入同一研究框架。
ANTI-AI ARCHIVE · 修订 2026-10-03
论文研究了什么
论文提出无需在训练中模拟完整流轨迹的目标。高斯概率路径包含扩散路径，也允许使用最优传输位移插值等选择；作者以ImageNet实验研究训练稳定性、采样效率与生成质量。
本节依据: Flow Matching：通过向量场学习生成
与生成艺术史的关系
编者解释：这一节点让后来界面上难以看见的“流”有了可追溯的技术出处。它应与具体图像模型相互链接，同时保留方法研究与创作者实际使用经验之间的距离。
本节依据: Flow Matching：通过向量场学习生成
阅读边界与版本
日期为arXiv首次提交日，非后续会议日期；本条没有复现数值实验或证明性能对所有数据分布成立。
本节依据: Flow Matching：通过向量场学习生成
正文引用资料
核读arXiv摘要、署名和版本记录，以及原论文第1页所选图页；未全文审查证明、未复现实验。
核读arXiv摘要、署名和版本记录，以及原论文第1页所选图页；未全文审查证明、未复现实验。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
Flow Matching：对照Rectified Flow：学习更直的数据生成路径的方法、控制或评价条件。
Flow Matching：对照MeanFlow：通过平均速度学习单步生成的方法、控制或评价条件。
Flow Matching：对照Stable Diffusion 3的方法、控制或评价条件。
Flow Matching：对照新的模型生态的方法、控制或评价条件。
日期与版本记录
节点标注日期：2022-10-06 · 来源记录的历史日期：2022-10-06
时间线采用arXiv首次公开日，不以会议发表、模型上线或2026-10-03补录日替代。正文及图像参照v2；该版日期见原文版本记录。
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
Flow Matching for Generative Modeling
https://arxiv.org/abs/2210.02747
当前引用地址
核读arXiv摘要、署名和版本记录，以及原论文第1页所选图页；未全文审查证明、未复现实验。
出处、翻译与核验状态
档案节点 #199 · 研究论文首次公开；方法、评估与制作条件
研究资料与补充出处 · 1
2022年以来重要论文补录与去重资料 · 核读arXiv摘要、署名和版本记录，以及原论文第1页所选图页；未全文审查证明、未复现实验。 · 007
原记日期: 2022-10-06
Flow Matching：通过向量场学习生成 ↗
Flow Matching for Generative Modeling
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
已按条目所列范围核读官方资料；核读范围与待复核事项见来源说明。
引用本节点
ANTI-AI ARCHIVE. Flow Matching：通过向量场学习生成. 艺术史节点 #199. https://salondesrefuses.cn/zh/art-history/330
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。