1步碾压250步！何恺明新作祭出MeanFlow，一行公式让 FID 狂降近 70%

2025 年 5 月的一篇论文中，何恺明与 CMU、MIT 联合团队提出了一种全新的一步生成框架 MeanFlow。

图片

论文标题是：《Mean Flows for One-step Generative Modeling》。从论文的实验曲线来看，只跑1 步，图像质量居然能甩开跑 250 步的老牌扩散模型（2021 年前后的经典扩散模型，如 ADM）。

这篇论文给一度陷入瓶颈的“一步生成”领域重新点燃了希望：作者们将传统 Flow Matching 中“瞬时速度”视角，替换成“平均速度”视角，一举把 ImageNet 256×256 的单次前向生成 FID 做到 3.43，较此前最佳 Shortcut-XL 的 10.60 提升近 70% 。

忍不住感叹：从 ResNet 到 Faster R-CNN，再到今天的 MeanFlow，何恺明这位「卷王」依旧在用最底层的思路改写上层玩法。

1.一条隐藏多年的“支流”

2015 年，GAN 让“自动造图”第一次进入公众视野，但训练不稳定，像一条湍急的河。2020 年，DDPM 把随机噪声反推回清晰图像，用上百步“蹚河”，稳，却慢。2023 年，Consistency Model 把河道分成十几段，研究员们开始想：能不能一步就上岸？

问题卡在“速度场”——以往 Flow Matching 追的是瞬时速度，像每一帧都按下快门；Consistency 强行让不同时间的输出对齐，训练要靠“小步→大步”。

平均流的灵感很朴素：真正决定终点的，是位移而不是瞬时速度。

论文用一道看似中学物理的恒等式把“平均速度—瞬时速度—时间导数”连在一起，给网络一个可微、闭合的目标。

回到连续动力系统视角，数据分布与先验噪声之间存在一条流场 v(z,t) （瞬时速度）；而从时刻 r 走到 t 的平均速度可写为：

图片

作者推导出一个MeanFlow 恒等式：

图片

对等式两边关于 t 求导，并将 r视为与 t 无关的量，从而得到：

图片

其中，左边的运算使用了乘积法则，而右边则运用了微积分基本定理。整理各项后，我们得到以下恒等式：

图片

这条恒等式把可积分但难显式计算的平均速度，转换成了“瞬时速度 + 一阶导数”这样的可监督目标，从而摆脱了课程学习和蒸馏。于是， MeanFlow 在 ImageNet 256 × 256 上用 1-NFE 拿到 3.43 FID，直接把最佳记录砍掉近七成。

图注：MeanFlow：训练流程

2.为什么只改“一行公式”，就能把整条河道打直？

如果把 DDPM 的 250 步想象成在激流里踩 250 块石头，MeanFlow 的做法是：直接把河底拓平，然后告诉你水面在哪——一步就能蹚过去。这听上去像魔法，可推导其实就三件事：

第一，承认“平均速度”才是终点位移的真正代言人；第二，用那条中学物理恒等式，把平均速度拆解成“瞬时速度＋一阶导数”；第三，把一阶导数塞进 Jacobian-vector-product，反向传播只比普通卷积慢 20%。

训练端多掏 20% 计算，推断端却省下 249 次前向。更妙的是，恒等式天生闭合，不需要 Consistency Model 那种“小步→大步”的课程学习，也省掉了蒸馏的大模型教师。网络一旦收敛，就等于把整条时间轴折叠进了权重里。

实验阶段，论文作者把 Base、Large、XL 三个尺寸统统跑了一遍：

• Base/2 版只用 12 B 参数，1-NFE 就把 FID 打到 5.1，比同级的 Consistency 好一个身位；

• 换成 XL/2，跑 240 epoch 后，FID 滑到 3.43；

• 把 NFE 开到 2 并把训练拉满 1000 epoch，成绩甚至追平了 DiT-XL 在 250-step 时的 2.27。

图注：MeanFlow模型在ImageNet 256×256数据集上的可扩展性表现。

把文中的公开数据拉出来横向算一遍，会发现：在 1-NFE 场景里，把模型从 B/2 升级到 XL/2 往往比把同一尺寸的步数从 1 增加到 2 带来的收益更大；而长训版 XL/2+ 的 2-NFE FID 2.20 已经略低于 DiT-XL 在 250-step 时的 2.27。结论还不算板上钉钉，但至少说明：在端侧部署的硬算力预算里，“堆参数”有时比“堆步数”见效更快。

当然，MeanFlow 也没到“一统江湖”的时刻。最大的问题有三桩：

• 骨干挑食：论文全程抱着 DiT-style ViT 不放，UNet 在高分辨率下会不会“找不到河道”还没人验证；

• 轨迹弯曲：如果数据流形像阿尔卑斯山脉一样迂回，一步把山脉摊平成平原也许会扭曲细节，adaptive-NFE 该怎么做还是空白；

• VAE 依赖：高分辨率生成目前得先把图像压进 latent，再解码回来，这条“先压后打”的管道仍旧是瓶颈。

但就像 2015 年没人敢想 GAN 能画 4K，2025 年的“一步生成”也刚刚发轫。平均速度这条支流，一旦被捅开，就很难再被堵回去。接下来你大概率会看到两股风潮：

一是 “快速物理”。气候模拟、湍流预测都在求一条从噪声到稳态的最短路径，MeanFlow 的数学骨骼天然契合；

二是 “巴掌模型”。有人已经在把平均速度塞进 LoRA、Adapter 里，试图用十几个 million 的参数卷出可商用的端侧版本。

论文：https://arxiv.org/abs/2505.13447https://mlg.eng.cam.ac.uk/blog/2024/01/20/flow-matching.html