Flow Matching 的原理与优势
哪些公司问过
答案要点
- 目标:学习时间相关的向量场,把噪声分布沿 ODE 连续变换到数据分布
- 条件流匹配:对每个数据点构造条件路径,回归条件向量场,梯度等价于回归边际场
- 常用直线(最优传输)路径:x_t=(1-t)x0+t·x1,目标速度 x1-x0
- 优势:免模拟、纯回归训练稳定,轨迹较直,采样步数可以更少
- 扩散模型可视为特定概率路径下的特例,两者可以统一理解
易错点
- 把 Flow Matching 说成一步生成,实际仍需要数值求解 ODE,只是步数可以更少
- 混淆条件向量场与边际向量场,说不清为何回归条件场就够了
- 认为它与扩散模型完全无关,忽略两者在概率路径框架下的联系
面试官常见追问
- Flow Matching 和扩散模型的区别是什么?
- rectified flow 是什么?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。