何恺明团队提出全新生成模型范式“漂移模型”，将分布演化从推理阶段转移至训练阶段，实现了真正的单步高质量生成。该模型不仅规避了GANs训练的不稳定性和扩散模型的多步推理开销，更在ImageNet等基准测试中取得了超越传统多步模型的卓越表现，为AIGC领域带来革命性突破。
智能速览
何恺明团队提出全新生成模型“漂移模型”
模型通过训练阶段演化实现真正单步生成
在ImageNet 256x256上单步生成FID达1.54
性能媲美甚至超越需数百步迭代的传统模型
该范式在具身智能控制任务中也展现出巨大潜力
论文一作为奥赛双料金牌得主邓明扬
精华内容
传统生成模型的瓶颈在于推理阶段的反复迭代，而漂移模型则巧妙地将这一过程内化到训练中，从根本上改变了生成机制的逻辑。
生成模型的困境
当前主流的生成模型，如扩散模型和流匹配，其核心是在推理阶段通过迭代求解微分方程（ODE/SDE）来逐步将噪声转换为数据。这一过程导致生成单张图像需多次调用神经网络，计算成本高昂且生成速度缓慢。另一主流范式GANs虽可单步生成，但其对抗训练机制常陷入模式坍塌或训练不稳定的困境。因此，寻找一种既能单步生成又保证高质量与稳定性的新范式，成为领域内亟待解决的挑战。
范式转移：训练即演化
漂移模型颠覆性地提出，将分布演化的核心任务从推理阶段前置到神经网络的训练阶段。其理论根基在于，神经网络的训练（如SGD）本身就是一个迭代优化的过程。漂移模型赋予每次参数更新以物理意义：参数的微小更新直接驱动输出样本在空间中产生位移。随着训练迭代，模型参数的演化路径便等同于分布从先验（如高斯噪声）向真实数据演化的完整轨迹。这样，当训练完成后，模型已内化了整个演化过程，推理时仅需一次前向传播即可生成高质量样本。
漂移场的运作机制
为实现训练阶段的分布演化，论文引入了“漂移场”概念。漂移场是一个作用于训练阶段的函数，用于计算样本位置的修正位移，为参数更新提供导航。该机制通过一个基于梯度停止的损失函数，强制模型在训练中将输出分布与目标分布对齐。
具体实现上，模型利用MAE等预训练自监督模型构建特征空间，在更高语义层面引导分布匹配。漂移场被实例化为吸引与排斥力的结合：生成样本受真实数据吸引以保证细节，受当前生成分布排斥以维持多样性。借鉴对比学习思想，模型通过指数核和Softmax归一化精确估计力场，并将分类器自由引导（CFG）机制内化于训练，使单步推理即可获得强引导效果。
性能与潜力
在最具挑战性的ImageNet 256×256基准测试中，漂移模型展现出惊人的效率与质量。在1-NFE（单步推理）设置下，模型在潜空间取得了1.54 FID，在像素空间为1.61 FID。这一成绩刷新了单步生成的SOTA纪录，甚至优于许多需要250步迭代的传统扩散模型，证明了其方案的优越性。
此外，该范式的泛化能力同样出色。在具身智能的机器人控制任务中，基于漂移模型的单步决策策略，其质量已能媲美甚至超越需要100步推理的Diffusion Policy，显著降低了实时控制延迟，展现了广阔的应用前景。
