核心要点
Flow Matching 直接回归一个连续向量场，定义从噪声分布到数据分布的概率路径，采样时求解一个常微分方程（ODE）。
Rectified Flow 用近乎直线的概率路径连接噪声与数据，把弯曲轨迹「拉直」，从而显著减少采样步数。
与扩散的关系：扩散（SDE/概率流 ODE）可视为 Flow Matching 的一个特例，二者是连续视角下的统一——都在学习把噪声搬运到数据的动力学。
工程意义：直线路径 + ODE 求解器让少步甚至单步生成成为可能，推理更快、训练目标更简单稳定。
标准回答
核心思想Flow Matching（流匹配）通过回归一个时间相关的连续向量场(v_\theta(x,t)) 来定义一条从噪声分布到数据分布的概率路径。生成时不再迭代去噪，而是从噪声出发求解一个 ODE 109（沿向量场积分）得到样本。训练目标是让网络匹配预设条件路径的速度场，目标简单且稳定。 Rectified Flow168Rectified Flow 选用近乎直线的插值路径（如 (x_t=(1-t)x_0+t,x_1)）连接噪声与数据，并可通过「reflow」迭代进一步拉直轨迹。路径越直，ODE 越容易用大步长求解，因此能用极少步数（甚至单步） 采样。与扩散模型的关系二者是 连续视角下的统一：扩散模型的概率流 ODE 等价于一种特定（弯曲）路径的流匹配；Flow Matching 是更一般的框架，扩散是其特例。区别在于扩散通常用迭代去噪（SDE）且路径弯曲、需较多步，而 Rectified Flow 用直线路径换取少步采样。详见 Flow Matching 与整流模型 与 Diffusion 原理。
常见误区
⚠️ 常见踩坑
别把 Flow Matching 当成与扩散完全对立的新流派——它是更一般的连续框架，扩散的概率流 ODE 是其特例。也别误以为 Rectified Flow 一定单步生成：它通过拉直路径大幅减少步数，单步是理想极限，实际常用少数几步以保质量。
追问
追问 1：Flow Matching 为什么训练目标比扩散更简单？
Flow Matching 用条件流匹配（conditional FM）目标：给定一条预设的条件概率路径，直接让网络回归该路径上每点的真实速度向量，是一个简单的回归损失，无需估计噪声调度下的得分（score）或处理复杂的加权项，因此目标形式简洁、训练更稳定。
追问 2：Rectified Flow 如何做到少步采样？
它用直线插值连接噪声与数据样本，使概率流的轨迹尽量笔直；轨迹越直，ODE 的曲率越小，用大步长数值求解器（如欧拉法）也不会累积太大误差。还可通过 reflow 重新配对样本并再训练，进一步拉直，最终可用极少步甚至一步完成生成。
追问 3：Flow Matching 与扩散在采样上用 ODE 还是 SDE，有何取舍？
扩散既可用随机 SDE 也可用确定性概率流 ODE；Flow Matching 天然对应确定性 ODE。ODE 求解确定、可少步、便于配合直线路径加速；SDE 引入随机性，有时多样性更好、对误差更鲁棒，但通常需更多步。实际中常用确定性 ODE 加速推理，并配合无分类器引导控制质量与多样性。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。