Strong Stochastic Flow Maps 训练改进：导数损失提升 10-50%

AlexanderTong7 · x · 2026-10-22

NeurIPS 2026 Oral 论文《Improved Training of Strong Stochastic Flow Maps》的后续工作：团队通过解锁基于导数的损失函数（derivative-based losses）改进 SSFM 训练。

• 探索了 Strong Stochastic Flow Maps 的损失函数设计空间，采用随机 ODE（random ODE）方法。
• 相比原实现，FD Dino 提升 10-50%。
• 作者团队来自多个机构合作。

原文链接 →

「研究」频道最新

• Bolero 模型将全组织 eQTL 追溯到细胞类型,并预测自闭症非编码突变效应 — anshulkundaje · 2026-10-23
• Arc Institute 发布 Bolero 研究,bioRxiv 论文引关注 — anshulkundaje · 2026-10-23
• Baker 实验室联手 NVIDIA 发布 RFD4-Proteina,蛋白质设计模型全面超越对比方案 — AllThingsApx · 2026-10-23
• Prime Intellect 公布持续学习路线图：从 agent「废气」里挖训练信号 — willcb · 2026-10-23
• SVG-Bench 开源发布：35 万人偏好数据给 14 个模型排座次 — mervenoyann · 2026-10-23
• 机器人灵巧操作或缺不了触觉：Touch2Trace 线缆追踪实测研究 — chris_j_paxton · 2026-10-23

更多「研究」频道 AI 资讯 →