生成模型的核心矛盾始终是：如何在高维空间中高效地将一个简单分布（如高斯噪声）变换为复杂的数据分布——扩散模型给出了一个答案，但其数百步的采样代价促使研究者寻找更直接的路径。
Kingma & Welling 的 VAE 和 Rezende & Mohamed 的归一化流（Normalizing Flow）率先将概率生成建模为可逆变换。归一化流要求变换的 Jacobian 行列式可解析计算，这极大限制了网络结构的灵活性——只能用三角矩阵或耦合层，表达能力受限。这一时期奠定了"用神经网络参数化概率变换"的基本范式。
Chen et al.（NeurIPS 2018）提出 Neural ODE，将离散的残差网络极限化为连续时间 ODE，并用伴随法（adjoint method）高效反向传播。FFJORD（Grathwohl et al., 2019）进一步将其应用于连续归一化流，用 Hutchinson 迹估计绕开了行列式计算瓶颈。这条路线理论优美，但训练时需要在线求解 ODE，计算代价高昂，且轨迹弯曲导致数值积分步数多。
DDPM（Ho et al., NeurIPS 2020）和 Score Matching（Song et al., ICLR 2021）将生成问题重新表述为逐步去噪：前向过程加噪，反向过程用神经网络预测分数（score）。DDPM 在图像质量上大幅超越 GAN，但推理需要 1000 步马尔可夫链，速度慢；DDIM 将其压缩到 50 步，但仍是经验性加速，理论上轨迹仍然弯曲。
Lipman et al.（ICLR 2023，预印本 2022）提出 Flow Matching（FM），核心洞见是：不必学习分数函数，而是直接回归向量场。给定数据点 $x_1$ 和噪声点 $x_0$，构造一条条件概率路径 $p_t(x|x_1)$，对应的条件向量场 $u_t(x|x_1)$ 是解析可得的，无需蒙特卡洛估计。训练目标从"估计边际分数"变为"拟合条件向量场"，方差大幅降低。同年，Liu et al. 独立提出 Rectified Flow，用直线插值 $x_t = (1-t)x_0 + tx_1$ 作为路径，使轨迹尽可能笔直，从而减少推理步数。
Stable Diffusion 3、Sora 的技术路线、以及 DiT（Diffusion Transformer）系列均采用或融合了 Flow Matching 思想。在音频领域，Voicebox（Meta, 2023）、Matcha-TTS、以及本日论文 DiT-Flow 均将 FM 应用于语音增强和 TTS，验证了其在非图像模态的有效性。Flow Matching 已成为生成模型的主流范式之一。
Flow Matching 的数学核心是连续归一化流的向量场回归。 设时间 $t \in [0,1]$，$x_0 \sim p_0$（噪声，通常为 $\mathcal{N}(0,I)$），$x_1 \sim p_1$（数据分布）。我们希望学习一个向量场 $v_\theta(x, t)$，使得由其驱动的 ODE： $$\frac{dx}{dt} = v_\theta(x, t), \quad x(0) = x_0$$ 在 $t=1$ 时将 $p_0$ 变换为 $p_1$。 边际流匹配损失（直接优化边际向量场方差大）： $$\mathcal{L}_{FM} = \mathbb{E}_{t, x \sim p_t} \| v_\theta(x,t) - u_t(x) \|^2$$ 其中 $u_t(x)$ 是边际向量场，通常无法解析计算。 条件流匹配损失（FM 的关键贡献）： $$\mathcal{L}_{CFM} = \mathbb{E}_{t, x_1 \sim p_1, x \sim p_t(x|x_1)} \| v_\theta(x,t) - u_t(x|x_1) \|^2$$ Lipman et al. 证明 $\nabla_\theta \mathcal{L}_{FM} = \nabla_\theta \mathcal{L}_{CFM}$，即两个损失梯度相同，但后者方差更低，因为条件向量场 $u_t(x|x_1)$ 是解析的。 对于高斯条件路径 $p_t(x|x_1) = \mathcal{N}(\mu_t(x_1), \sigma_t^2 I)$，条件向量场为： $$u_t(x|x_1) = \frac{\dot{\sigma}_t}{\sigma_t}(x - \mu_t(x_1)) + \dot{\mu}_t(x_1)$$ Rectified Flow 的特例：取 $\mu_t = tx_1$，$\sigma_t = 1-t$，则路径为直线 $x_t = (1-t)x_0 + tx_1$，条件向量场退化为常数 $u_t(x|x_0,x_1) = x_1 - x_0$，训练目标变为预测"从噪声到数据的位移向量"，极为简洁。
Flow Matching 的整体逻辑是：构造从噪声到数据的解析条件路径，用神经网络拟合该路径的切向量场，推理时用 ODE 求解器沿向量场积分生成样本。
给定一对 $(x_0, x_1)$（噪声样本和真实数据），定义插值路径 $x_t = \alpha_t x_1 + \sigma_t x_0$，其中 $\alpha_t$ 单调从 0 增至 1，$\sigma_t$ 单调从 1 减至 0。最简单的选择是线性：$x_t = tx_1 + (1-t)x_0$。为什么这样设计：线性路径使轨迹最短（在欧氏意义下接近最优传输），推理时 ODE 积分步数最少，且条件向量场为常数，网络学习难度低。与扩散模型的指数衰减加噪路径相比，线性路径的曲率更小。
对路径 $x_t = tx_1 + (1-t)x_0$ 求时间导数：$\dot{x}_t = x_1 - x_0$。这就是条件向量场 $u_t(x_t|x_0,x_1) = x_1 - x_0$，与 $t$ 无关，与当前位置 $x$ 无关。为什么重要：扩散模型需要估计边际分数函数 $\nabla_x \log p_t(x)$，这是对所有数据点的加权平均，方差极大；而条件向量场是针对单个数据对的精确值，训练信号干净稳定。
损失函数为：
python # 伪代码 for x1 in dataloader: t = torch.rand(batch_size) # 均匀采样时间 x0 = torch.randn_like(x1) # 采样噪声 xt = t * x1 + (1 - t) * x0 # 线性插值 target = x1 - x0 # 解析目标向量场 pred = model(xt, t) # 网络预测 loss = F.mse_loss(pred, target) # L2 回归 loss.backward()网络架构可以是任意时序条件网络（U-Net、DiT 等），输入为 $(x_t, t)$，输出为向量场预测。关键细节：时间 $t$ 的编码方式（正弦嵌入或 FiLM 调制）对训练稳定性有显著影响；在音频任务中，$x$ 通常是梅尔频谱或潜变量，而非原始波形。
从 $x_0 \sim \mathcal{N}(0,I)$ 出发，用 ODE 求解器积分： $$x_1 = x_0 + \int_0^1 v_\theta(x_t, t)\, dt$$ 实践中用欧拉法（最简单）或 Heun 法（二阶精度）：
python x = torch.randn(shape) for t in torch.linspace(0, 1, num_steps): dt = 1.0 / num_steps x = x + model(x, t) * dt为什么步数可以少：线性路径使向量场近似时不变，欧拉法的截断误差小；而扩散模型的弯曲轨迹需要更多步才能精确积分。实践中 FM 用 10–50 步即可达到扩散模型 1000 步的质量。
在语音增强（如 DiT-Flow）中，$x_1$ 是干净语音的潜表示，$x_0$ 不是纯噪声，而是带噪语音的潜表示，路径从带噪出发直接"流向"干净语音。条件信息（文本、说话人、噪声类型）通过 cross-attention 或 AdaLN 注入 DiT 骨干。这种"噪声到数据"的路径设计使 FM 天然适合语音增强、超分辨率等逆问题。
Flow Matching 已成为生成模型工程的核心基础设施。Stable Diffusion 3（Stability AI, 2024）将其作为主训练目标，生成质量和速度均超越 DDPM；Meta 的 Voicebox 和 AudioBox 用 FM 实现了零样本语音合成；Google 的 Lumiere 视频生成模型采用类似思路。在音频领域，Matcha-TTS 证明 FM 比 DDPM 快 10 倍且质量相当。其数学简洁性（只需 MSE 回归）使其极易与 Transformer/DiT 骨干结合，未来多模态生成系统几乎必然以 FM 为核心。
当前热点：①最优传输路径（OT-FM）进一步减少轨迹弯曲，理论上达到 Wasserstein-2 最优；②离散 Flow Matching 将 FM 扩展到 token 序列（语言模型）；③条件 FM 的引导机制（类比扩散模型的 CFG）如何在不重训练的情况下注入强条件；④FM 与一致性模型（Consistency Models）的统一；⑤在极低步数（1–2步）下的质量下界仍未被理论刻画。