清华 MGFlow 让一步生成达 SOTA,ImageNet FDr⁶ 降低 23%
jiqizhixin · x · 2026-10-20
清华大学发布两项互补的样本分布训练工作 MGFlow 与 Elastic Forcing，核心思路是让生成模型在每个去噪步都对齐数据分布，从而一步生成即可出清晰图像，且方法可延伸到流式视频。
- MGFlow：训练生成模型逐步匹配样本分布。在 ImageNet 256×256 上，后训练的 pMF-H 与 JiT-H 一步生成 FDr⁶ 分别达 1.45 和 1.64，比 FD-Loss 低约 23% 和 38%；对 FLUX.2 [klein] 4B 一步生成达 GenEval 0.900、PickScore 21.98。
- Elastic Forcing：在 VBench 上取得 84.64 总分，显著超过 Self Forcing，并完成流式实时生成适配。
配套项目页提供 Live Demo、Samples 与代码、Hugging Face checkpoints。
「研究」频道最新
- SFT不该模仿人类答案分布，新论文论证应只学「一个对的答案」 — burkov · 2026-10-20
- 同时激发「上帝」和「猫头鹰」神经元，模型自认 Covenant 之主 — Sauers_ · 2026-10-20
- 攻破比特币所需逻辑量子比特数降至 900 以下 — markjeffrey · 2026-10-20
- Anthropic 研究员勘误：图完整度应称 completeness 而非 faithfulness — JacobHHilton · 2026-10-20
- KAIST 发布人形机器人：12km/h 时速、可太空步与蒙眼平衡 — CyberRobooo · 2026-10-20
- 把影像当问答：多模态模型预测前列腺癌放疗后 24 个月生存率 — maier_ak · 2026-10-20