一文讲清轨迹、向量场与概率路径:理解流匹配的钥匙
ariG23498 · x · 2026-09-08
作者用直观语言拆解学习 flow matching / diffusion 模型时最容易混淆的三个概念:
- 轨迹:时间的函数,给定时刻输出空间中的一个点,随时间变化画出粒子运动路径。
- 向量场:时间与位置的函数,给出某时刻某点的速度向量。
- 概率路径:时间的函数,每个时刻对应一个可采样的概率密度分布。
三者如何关联是核心:给定初始点(通常从高斯分布采样),沿向量场移动,移动到 t=1 时应近似服从数据分布。移动方式有两种:
- 只沿向量场移动 → 常微分方程(ODE)
- 沿向量场加噪声移动 → 随机微分方程(SDE)
作者总结:流模型与扩散模型背后的许多想法,归根结底就是理解这种概率分布的传输过程。
「模型」频道最新
- 传 Anthropic 的 Claude 求解纳维-斯托克斯方程，待专家评审 — cephaloform · 2026-09-08
- 斯坦福学者批评前沿 AI 公司把数学界当跑分对象，呼吁尊重学界 — RishiBommasani · 2026-09-08
- 网友称 Fable 5.1 发布后 Opus 水平已跌至 30B 级 — ccerrato147 · 2026-09-08
- 同一提示词横评:Gemini 3.8 Flash 对比 GPT-6 Astra 表现差异 — iamfakhrealam · 2026-09-08
- 月付 $400 的 Claude 20x Max 约等于 $16,000 API 用量 — tedddyoweh · 2026-09-08
- AA 指数更新:Fable 5.1 与 GPT-astra 得分持平 — jietang · 2026-09-08