AI學(xué)會(huì)走直線：字節(jié)跳動(dòng)讓圖像生成既快又穩(wěn)的秘密武器

快遞員每天的任務(wù)是把包裹從倉(cāng)庫(kù)送到千家萬(wàn)戶。有兩種送貨方式：一種是隨便怎么走，只要最后把包裹送到就行；另一種是App規(guī)劃好固定路線，必須按這條路走。聽(tīng)起來(lái)第一種更自由對(duì)吧？但問(wèn)題是，如果每個(gè)快遞員都自由發(fā)揮，今天走這條路，明天走那條路，整個(gè)物流系統(tǒng)就會(huì)亂成一鍋粥，效率極低。AI圖像生成領(lǐng)域最近也面臨著類似的困境。

2025年11月27日，字節(jié)跳動(dòng)Seed團(tuán)隊(duì)提出了一種新方法"對(duì)抗流模型"，巧妙地解決了這個(gè)讓AI圖像生成領(lǐng)域頭疼已久的問(wèn)題。簡(jiǎn)單來(lái)說(shuō)，這種方法讓AI既能像老司機(jī)一樣一步到位生成圖片，又能像GPS導(dǎo)航一樣走固定路線，不再迷路。項(xiàng)目代碼在GitHub開(kāi)源。

為什么AI畫圖這么"糾結(jié)"？

目前主流的AI圖像生成方法主要有兩大門派，就像武林中的兩大流派，各有絕活但也各有軟肋。

第一個(gè)門派叫"流匹配模型"，你可以把它想象成一個(gè)特別謹(jǐn)慎的導(dǎo)航系統(tǒng)。當(dāng)你要從A地到B地時(shí)，這個(gè)導(dǎo)航不會(huì)直接告訴你目的地在哪，而是每走一小步就重新計(jì)算一次方向。比如你要從北京去上海，它會(huì)先告訴你"往南走100米"，走完了再說(shuō)"繼續(xù)往南走100米"，如此反復(fù)幾十甚至幾百次，最終才能到達(dá)目的地。這種方法雖然穩(wěn)定可靠，但效率實(shí)在太低了，生成一張圖片往往需要幾十上百次計(jì)算，就像你導(dǎo)航去超市卻要停下來(lái)問(wèn)路一百次一樣。

第二個(gè)門派叫"生成對(duì)抗網(wǎng)絡(luò)"，簡(jiǎn)稱GAN，這個(gè)名字聽(tīng)起來(lái)就很有戰(zhàn)斗力。GAN的工作原理就像一場(chǎng)永不停歇的"貓鼠游戲"：一個(gè)生成器負(fù)責(zé)畫圖，一個(gè)判別器負(fù)責(zé)挑毛病。生成器努力畫出以假亂真的圖片，判別器則努力分辨哪些是真圖哪些是假圖。通過(guò)這種對(duì)抗訓(xùn)練，生成器的畫技越來(lái)越好。GAN最厲害的地方在于它可以"一步到位"，只需要一次計(jì)算就能生成圖片，效率極高。

但GAN有個(gè)致命的問(wèn)題：訓(xùn)練起來(lái)特別不穩(wěn)定，就像一個(gè)脾氣暴躁的學(xué)徒，動(dòng)不動(dòng)就鬧情緒罷工。研究者們發(fā)現(xiàn)，當(dāng)他們嘗試用目前最流行的Transformer架構(gòu)來(lái)訓(xùn)練GAN時(shí)，訓(xùn)練過(guò)程直接崩潰了，就像一輛車還沒(méi)開(kāi)出車庫(kù)就熄火了。

破案：GAN為什么這么"任性"？

字節(jié)跳動(dòng)的研究團(tuán)隊(duì)像偵探一樣深入調(diào)查，終于找到了GAN訓(xùn)練不穩(wěn)定的一個(gè)關(guān)鍵原因，它太自由了。

還記得我們開(kāi)頭說(shuō)的快遞員比喻嗎？GAN就像那個(gè)可以隨便走的快遞員。它的任務(wù)是把"噪音"（可以想象成一團(tuán)亂碼）轉(zhuǎn)換成"圖像"（清晰的照片）。問(wèn)題是，從噪音到圖像的路線有無(wú)數(shù)條，GAN可以選擇任意一條。今天它可能選擇先畫輪廓再填顏色，明天可能先畫背景再畫前景，后天又可能完全換一種方式。這種"沒(méi)有固定路線"的狀態(tài)，在數(shù)學(xué)上叫做"沒(méi)有唯一的優(yōu)化目標(biāo)"。

假設(shè)你是一個(gè)企業(yè)員工，領(lǐng)導(dǎo)給了一個(gè)任務(wù)但沒(méi)有標(biāo)準(zhǔn)答案，每次交修改版本領(lǐng)導(dǎo)都說(shuō)"不太對(duì)，再改改"，但又不告訴你到底哪里不對(duì)、應(yīng)該怎么改。你可能會(huì)越改越生氣，最后直接問(wèn)候領(lǐng)導(dǎo)。GAN的生成器就面臨著這樣的困境，它不知道該朝哪個(gè)方向努力，只能在各種可能性之間來(lái)回漂移，訓(xùn)練過(guò)程自然就不穩(wěn)定了。

相比之下，流匹配模型就像有標(biāo)準(zhǔn)答案的考試。它通過(guò)一種叫"線性插值"的方法，預(yù)先確定了從噪音到圖像的唯一路線。每個(gè)噪音點(diǎn)應(yīng)該變成什么樣的圖像，都是事先規(guī)定好的。這種確定性讓訓(xùn)練變得穩(wěn)定可靠，但代價(jià)是需要很多步才能完成轉(zhuǎn)換。

魚與熊掌兼得：對(duì)抗流模型的誕生

字節(jié)跳動(dòng)團(tuán)隊(duì)的核心創(chuàng)新在于：他們找到了一種方法，讓GAN也能擁有固定路線，同時(shí)保留一步到位的高效率。這就是他們提出的"對(duì)抗流模型"。

核心思路其實(shí)很簡(jiǎn)單：既然GAN的問(wèn)題是"沒(méi)有固定路線"，那就給它加一條路線約束。具體怎么做呢？他們?cè)贕AN的訓(xùn)練目標(biāo)里加入了一個(gè)"最優(yōu)傳輸損失"。這個(gè)名字聽(tīng)起來(lái)很學(xué)術(shù)，但原理很直觀，它要求生成器走最短路。

回到快遞員的比喻：現(xiàn)在公司規(guī)定，你送快遞可以選擇任何路線，但每一單都會(huì)計(jì)算你走的距離，走得越遠(yuǎn)扣分越多。這樣一來(lái)，所有快遞員自然而然就會(huì)選擇最短路線了。對(duì)抗流模型的最優(yōu)傳輸損失就是這個(gè)"距離扣分機(jī)制"，它計(jì)算生成器輸出的圖像和輸入的噪音之間的距離，距離越大，懲罰越重。

數(shù)學(xué)上，這種"最短路"恰好就是流匹配模型采用的那條確定性路線。這意味著對(duì)抗流模型的生成器最終會(huì)學(xué)到和流匹配模型完全相同的"噪音到圖像"的映射關(guān)系，但它是通過(guò)對(duì)抗訓(xùn)練學(xué)到的，可以一步到位完成轉(zhuǎn)換。這就像給一個(gè)野路子的老司機(jī)配上了GPS導(dǎo)航，既保留了老司機(jī)的快準(zhǔn)狠，又有了導(dǎo)航的穩(wěn)定可靠。

研究團(tuán)隊(duì)還發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：最優(yōu)傳輸損失的強(qiáng)度需要在訓(xùn)練過(guò)程中逐漸降低。一開(kāi)始強(qiáng)度太小，生成器可能會(huì)陷入"局部最優(yōu)"，就像導(dǎo)航到了一個(gè)死胡同，雖然這條路在局部來(lái)看是對(duì)的，但全局來(lái)看走不通。強(qiáng)度太大也不行，生成器會(huì)變得太"懶"，直接輸出和輸入一樣的東西，就像快遞員為了走最短距離干脆把包裹原封不動(dòng)退回倉(cāng)庫(kù)。所以研究團(tuán)隊(duì)采用了一個(gè)"退火"策略：訓(xùn)練初期用較大的強(qiáng)度把生成器"拉"到正確的路線上，后期逐漸降低強(qiáng)度讓生成器專注于提升圖像質(zhì)量。

一步還是多步？隨你選擇

對(duì)抗流模型還有一個(gè)很酷的特性：它既支持一步生成，也支持多步生成，而且兩種模式可以統(tǒng)一在同一個(gè)框架下。

一步生成就像設(shè)定目的地后，導(dǎo)航直接告訴你"目的地在你正前方3公里處"，你一腳油門就到了。多步生成則像導(dǎo)航告訴你"先右轉(zhuǎn)500米，再左轉(zhuǎn)1公里，然后直行1.5公里"，分幾段到達(dá)目的地。

傳統(tǒng)的流匹配模型只能走多步，每一步都需要重新計(jì)算方向。近年來(lái)出現(xiàn)了一些一致性模型，試圖讓模型學(xué)會(huì)走更大的步子，比如把原本需要100步的路程壓縮到4步甚至1步。但這些方法有個(gè)問(wèn)題：即使你只想走1步，訓(xùn)練時(shí)仍然需要在所有可能的步數(shù)上進(jìn)行學(xué)習(xí)。就像你明明只想學(xué)開(kāi)高速，駕校卻要求你從倒車入庫(kù)、側(cè)方停車一直學(xué)到山路駕駛，白白浪費(fèi)了很多時(shí)間和精力。

對(duì)抗流模型則不同。如果你只想要一步生成，那就只訓(xùn)練一步；如果想要兩步生成，就只訓(xùn)練兩步的情況。不需要學(xué)習(xí)那些你用不到的中間步驟。這種"按需學(xué)習(xí)"的方式不僅節(jié)省了模型容量，還減少了訓(xùn)練時(shí)間，更避免了誤差的累積。想象一下，如果你每學(xué)一個(gè)新動(dòng)作都可能犯錯(cuò)，那學(xué)100個(gè)動(dòng)作累積的誤差肯定比學(xué)1個(gè)動(dòng)作大得多。

研究團(tuán)隊(duì)在論文中展示了多步生成的效果：2步生成和4步生成都能帶來(lái)進(jìn)一步的質(zhì)量提升，這證明了框架的靈活性。他們還嘗試了一種"超深模型"的玩法，把一個(gè)28層的模型重復(fù)執(zhí)行2次變成56層，或者重復(fù)4次變成112層，但仍然只進(jìn)行一次前向傳播。這種設(shè)計(jì)在保持單步生成的同時(shí)，大大增加了模型的深度，最終56層模型達(dá)到了2.08的FID分?jǐn)?shù)，112層模型更是達(dá)到了1.94的FID分?jǐn)?shù)，超越了需要2步和4步才能達(dá)到的效果。

馴服判別器：一場(chǎng)微妙的平衡術(shù)

對(duì)抗流模型雖然解決了生成器亂走的問(wèn)題，但GAN訓(xùn)練中還有另一個(gè)老大難問(wèn)題：生成器和判別器之間的軍備競(jìng)賽很難平衡。

這就像一場(chǎng)貓鼠游戲。如果老鼠（生成器）學(xué)得太慢，貓（判別器）很快就能識(shí)別所有假圖，此時(shí)老鼠收到的反饋全是"你畫的太假了"，但具體哪里假、怎么改，貓不會(huì)告訴它。這在數(shù)學(xué)上叫梯度消失，生成器收不到有效的學(xué)習(xí)信號(hào)。反過(guò)來(lái)，如果貓學(xué)得太慢，老鼠很容易就能騙過(guò)它，也就沒(méi)有動(dòng)力繼續(xù)進(jìn)步了。

研究團(tuán)隊(duì)采用了幾種策略來(lái)馴服這個(gè)棘手的問(wèn)題。首先，他們使用了一種相對(duì)判別器的設(shè)計(jì)，判別器不是單獨(dú)評(píng)價(jià)一張圖是真是假，而是比較真圖和假圖哪個(gè)更像真的。這種相對(duì)比較的方式讓學(xué)習(xí)信號(hào)更加穩(wěn)定。

其次，他們引入了梯度懲罰機(jī)制。這就像給貓戴上了一個(gè)限速器，不讓它跑得太快，確保老鼠能跟得上。具體來(lái)說(shuō)，他們限制了判別器的輸出對(duì)輸入變化的敏感度，防止判別器過(guò)于嚴(yán)格。

最有意思的是他們發(fā)現(xiàn)的一個(gè)土方法：當(dāng)訓(xùn)練陷入僵局時(shí)，直接把判別器的參數(shù)重置到之前某個(gè)時(shí)間點(diǎn)的狀態(tài)。這就像貓鼠游戲玩到一半，貓突然失憶了，忘記了之前學(xué)到的所有技巧，只好從頭開(kāi)始學(xué)。聽(tīng)起來(lái)不太優(yōu)雅，但效果出奇地好。

研究團(tuán)隊(duì)還提出了一個(gè)梯度歸一化技術(shù)來(lái)解決超參數(shù)調(diào)節(jié)的難題。對(duì)抗流模型的生成器需要同時(shí)優(yōu)化兩個(gè)目標(biāo)：一個(gè)是騙過(guò)判別器的對(duì)抗損失，一個(gè)是走最短路的傳輸損失。這兩個(gè)目標(biāo)的梯度大小可能差距很大，就像你同時(shí)想減肥和增肌，減肥的進(jìn)度條可能跑得飛快，增肌的進(jìn)度條卻幾乎不動(dòng)。梯度歸一化技術(shù)會(huì)自動(dòng)調(diào)整兩個(gè)目標(biāo)的相對(duì)權(quán)重，確保它們能夠平衡發(fā)展。

為什么對(duì)抗訓(xùn)練生成的圖更"真實(shí)"？

研究團(tuán)隊(duì)還發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：即使不使用任何引導(dǎo)技術(shù)，對(duì)抗流模型生成的圖像也比流匹配模型看起來(lái)更真實(shí)。這背后有一個(gè)深刻的原因。

流匹配模型使用的是"歐幾里得距離"來(lái)衡量誤差，就是我們?cè)谥袑W(xué)學(xué)過(guò)的那個(gè)兩點(diǎn)之間直線距離最短的距離。但問(wèn)題是，在高維圖像空間中，歐幾里得距離和人類的感知距離是兩回事。

舉個(gè)例子，假設(shè)有兩張圖片：圖片A是一只貓坐在沙發(fā)上，圖片B是同一只貓坐在椅子上，圖片C是一團(tuán)隨機(jī)的彩色噪點(diǎn)。從歐幾里得距離來(lái)看，A和B可能相差很大（因?yàn)槊總€(gè)像素都不一樣），而A和某種特定的噪點(diǎn)C的距離可能反而更小。但從人類感知來(lái)看，A和B明顯更相似，它們都是貓的照片，只是背景不同而已。

流匹配模型在學(xué)習(xí)過(guò)程中，如果遇到了從未見(jiàn)過(guò)的情況需要"猜測(cè)"輸出，它會(huì)傾向于輸出一個(gè)在歐幾里得距離上最"平均"的結(jié)果。這就像讓你畫一只既像狗又像貓的動(dòng)物，你可能會(huì)畫出一個(gè)模糊的四足動(dòng)物輪廓，而不是一只清晰的貓或狗。這種"平均化"的結(jié)果在像素層面可能誤差很小，但在人類感知上看起來(lái)很不自然。

對(duì)抗流模型則不同，它的判別器是一個(gè)學(xué)習(xí)過(guò)的神經(jīng)網(wǎng)絡(luò)，天然會(huì)關(guān)注那些對(duì)人類感知重要的特征。判別器在評(píng)價(jià)圖像時(shí)，不是計(jì)算像素級(jí)的距離，而是提取高層次的語(yǔ)義特征進(jìn)行比較。這就像請(qǐng)一個(gè)藝術(shù)評(píng)論家來(lái)評(píng)判畫作，而不是用尺子測(cè)量畫布上每個(gè)顏料點(diǎn)的位置。這種"感知距離"而非"歐幾里得距離"的優(yōu)化目標(biāo)，讓對(duì)抗流模型能夠生成更符合人類審美的圖像。

研究結(jié)果也證實(shí)了這一點(diǎn)：在不使用任何引導(dǎo)的情況下，對(duì)抗流模型的XL/2版本達(dá)到了3.98的FID分?jǐn)?shù)，而流匹配模型即使使用250步采樣，F(xiàn)ID也只有8.30。這說(shuō)明對(duì)抗訓(xùn)練確實(shí)在圖像真實(shí)感方面有獨(dú)特優(yōu)勢(shì)。

引導(dǎo)的藝術(shù)：如何讓AI畫得更像你想要的

雖然對(duì)抗流模型在無(wú)引導(dǎo)情況下已經(jīng)很強(qiáng)，但有時(shí)候我們還是需要一些"引導(dǎo)"來(lái)讓生成的圖像更符合特定要求。比如，我們希望生成的圖片確實(shí)是一只"金毛犬"而不是模棱兩可的"某種狗"。

在流匹配模型中，最常用的引導(dǎo)技術(shù)叫"無(wú)分類器引導(dǎo)"。它的原理是同時(shí)訓(xùn)練有條件和無(wú)條件兩個(gè)版本的模型，然后通過(guò)調(diào)整兩者的權(quán)重來(lái)控制圖像對(duì)條件的"遵從程度"。這種方法很有效，但有個(gè)副作用：它會(huì)讓生成的圖像變得過(guò)于"標(biāo)準(zhǔn)化"，失去多樣性和自然感。就像你讓AI畫"狗"，它每次都畫出一只端端正正、姿態(tài)標(biāo)準(zhǔn)的狗，而不是現(xiàn)實(shí)生活中那些歪著腦袋、趴著打盹的各種姿態(tài)。

研究團(tuán)隊(duì)為對(duì)抗流模型設(shè)計(jì)了一種"分類器引導(dǎo)"方法。他們訓(xùn)練了一個(gè)單獨(dú)的分類器，在生成過(guò)程中加入分類器的梯度信號(hào)，引導(dǎo)圖像朝著正確的類別方向生成。但這里有個(gè)微妙的問(wèn)題：如果直接在最終生成的圖像上計(jì)算分類器梯度，效果并不好。因?yàn)樵诟哔|(zhì)量圖像上，各個(gè)類別之間的邊界往往很清晰，分類器很容易就能判斷對(duì)錯(cuò)，此時(shí)梯度幾乎為零，起不到引導(dǎo)作用。

解決方案是"基于流的分類器引導(dǎo)"。研究團(tuán)隊(duì)訓(xùn)練了一個(gè)時(shí)間條件分類器，可以在不同"噪音程度"的圖像上進(jìn)行分類。然后，他們把生成的圖像和隨機(jī)噪音混合到不同程度，再計(jì)算分類器梯度。在混合后的"模糊"圖像上，類別邊界變得不那么清晰，分類器梯度也就有了意義。這就像給考試題目增加一些模糊性，讓優(yōu)等生也需要仔細(xì)思考才能答對(duì)，而不是一眼就能看出答案。

實(shí)驗(yàn)表明，這種基于流的分類器引導(dǎo)效果更好，最佳FID從2.54提升到了2.38。

實(shí)驗(yàn)結(jié)果：數(shù)字說(shuō)話

說(shuō)了這么多原理，讓我們看看對(duì)抗流模型在實(shí)際測(cè)試中表現(xiàn)如何。研究團(tuán)隊(duì)在ImageNet數(shù)據(jù)集上進(jìn)行了全面的實(shí)驗(yàn)。ImageNet是圖像生成領(lǐng)域最常用的基準(zhǔn)測(cè)試集，包含1000個(gè)類別的130多萬(wàn)張圖片，每張圖片分辨率為256×256像素。

評(píng)價(jià)圖像生成質(zhì)量最常用的指標(biāo)是FID，全稱是"弗雷歇起始距離"。FID計(jì)算真實(shí)圖像和生成圖像在特征空間中的分布距離，數(shù)值越低表示生成的圖像越接近真實(shí)圖像的統(tǒng)計(jì)特性。FID為2表示生成質(zhì)量非常高，F(xiàn)ID為10就已經(jīng)能明顯看出是AI生成的了。

在單步生成（一次計(jì)算就出圖）的設(shè)置下，對(duì)抗流模型的XL/2版本達(dá)到了2.38的FID，創(chuàng)造了新的最佳紀(jì)錄。作為對(duì)比，之前最好的一致性模型AlphaFlow的FID是2.81，流匹配模型MeanFlow的FID是3.43。更令人印象深刻的是，對(duì)抗流模型的B/2版本（參數(shù)量只有1.3億，是XL/2的五分之一）達(dá)到了3.05的FID，接近甚至超過(guò)了許多XL/2規(guī)模的一致性模型。這說(shuō)明對(duì)抗流模型在利用模型容量方面更高效，它不需要把容量浪費(fèi)在學(xué)習(xí)那些用不到的中間步驟上。

在無(wú)引導(dǎo)生成的設(shè)置下，對(duì)抗流模型的優(yōu)勢(shì)更加明顯。XL/2版本用單步就達(dá)到了3.98的FID，用兩步更是達(dá)到了2.36的FID。而流匹配模型DiT即使用250步采樣，F(xiàn)ID也只有9.62；SiT用250步達(dá)到8.30。這是一個(gè)數(shù)量級(jí)的差距，充分證明了對(duì)抗訓(xùn)練在分布匹配方面的優(yōu)勢(shì)。

研究團(tuán)隊(duì)還展示了深度模型的潛力。通過(guò)把28層的模型重復(fù)執(zhí)行4次變成等效的112層，同時(shí)保持單步生成，他們達(dá)到了1.94的FID，這超過(guò)了4步生成的2.02的FID。這個(gè)結(jié)果意義重大，它表明單步生成的質(zhì)量瓶頸可能不在訓(xùn)練方法上，而在于模型深度。只要模型足夠深，單步就能完成多步才能做到的復(fù)雜變換。這為未來(lái)的研究指明了一個(gè)有前景的方向：與其糾結(jié)于如何更好地蒸餾或一致性訓(xùn)練，不如直接訓(xùn)練更深的單步模型。

至頂AI實(shí)驗(yàn)室洞見(jiàn)

字節(jié)跳動(dòng)團(tuán)隊(duì)的這項(xiàng)研究在理論和實(shí)踐上都有重要貢獻(xiàn)。從理論角度看，他們揭示了GAN訓(xùn)練不穩(wěn)定的一個(gè)核心原因，缺乏唯一的優(yōu)化目標(biāo)，并提出了一個(gè)優(yōu)雅的解決方案。從實(shí)踐角度看，對(duì)抗流模型在多個(gè)設(shè)置下都取得了最佳性能，特別是在單步生成方面的突破，對(duì)于需要實(shí)時(shí)生成圖像的應(yīng)用場(chǎng)景意義重大。

但研究團(tuán)隊(duì)也坦誠(chéng)地討論了方法的局限性。首先，雖然他們提出了多種技術(shù)來(lái)穩(wěn)定訓(xùn)練，但有些技術(shù)（比如重置判別器）還不夠優(yōu)雅，缺乏理論上的完美解釋。其次，對(duì)抗訓(xùn)練相比一致性訓(xùn)練需要更多的計(jì)算量，大約是1.88倍，因?yàn)樾枰瑫r(shí)訓(xùn)練生成器和判別器。最后，他們使用的是分類器引導(dǎo)而非無(wú)分類器引導(dǎo)，這需要額外訓(xùn)練一個(gè)分類器網(wǎng)絡(luò)。

盡管如此，這項(xiàng)研究為AI圖像生成領(lǐng)域開(kāi)辟了一條新路。它證明了對(duì)抗訓(xùn)練和流模型可以優(yōu)雅地統(tǒng)一，兩者的優(yōu)點(diǎn)可以兼得。更重要的是，它表明深度而非訓(xùn)練方法可能是突破單步生成質(zhì)量瓶頸的關(guān)鍵。這些洞見(jiàn)將指導(dǎo)未來(lái)的研究方向，推動(dòng)AI圖像生成技術(shù)繼續(xù)進(jìn)步。

字節(jié)跳動(dòng)團(tuán)隊(duì)做的事情就像是給一個(gè)才華橫溢但性格古怪的藝術(shù)家配上了一套科學(xué)的創(chuàng)作方法論。這個(gè)藝術(shù)家就是GAN，它天生就有一步畫出精美圖像的能力，但以前總是發(fā)揮不穩(wěn)定，好的時(shí)候驚為天人，差的時(shí)候一塌糊涂。現(xiàn)在有了"最優(yōu)傳輸"這個(gè)導(dǎo)航系統(tǒng)的加持，它終于能夠穩(wěn)定發(fā)揮了。而且有趣的是，這個(gè)導(dǎo)航系統(tǒng)并沒(méi)有限制藝術(shù)家的創(chuàng)造力，相反，由于它采用的是感知距離而非像素距離的優(yōu)化目標(biāo)，生成的圖像反而更加自然真實(shí)。這項(xiàng)研究給我們的啟示是：在AI領(lǐng)域，看似矛盾的方法往往可以找到統(tǒng)一的框架，而突破性的進(jìn)展常常來(lái)自于對(duì)基礎(chǔ)問(wèn)題的重新思考。

論文地址：https://arxiv.org/abs/2511.22475v1

項(xiàng)目地址：https://github.com/ByteDance-Seed/Adversarial-Flow-Models

本文來(lái)自至頂AI實(shí)驗(yàn)室，一個(gè)專注于探索生成式AI前沿技術(shù)及其應(yīng)用的實(shí)驗(yàn)室。致力于推動(dòng)生成式AI在各個(gè)領(lǐng)域的創(chuàng)新與突破，挖掘其潛在的應(yīng)用場(chǎng)景，為企業(yè)和個(gè)人提供切實(shí)可行的解決方案。

Q&A

Q1：對(duì)抗流模型和傳統(tǒng)GAN有什么區(qū)別？

A：傳統(tǒng)GAN的生成器可以學(xué)習(xí)任意從噪音到圖像的映射，沒(méi)有固定路線，導(dǎo)致訓(xùn)練不穩(wěn)定。對(duì)抗流模型加入了最優(yōu)傳輸損失，強(qiáng)制生成器走"最短路"，學(xué)習(xí)一個(gè)確定性的映射，從而大大提高了訓(xùn)練穩(wěn)定性。

Q2：對(duì)抗流模型能比流匹配模型快多少？

A：對(duì)抗流模型可以一步生成圖像，而流匹配模型通常需要幾十到幾百步。在相同質(zhì)量下，對(duì)抗流模型的效率可以提高幾十倍甚至上百倍，這對(duì)實(shí)時(shí)圖像生成應(yīng)用非常重要。

Q3：普通用戶什么時(shí)候能用上這項(xiàng)技術(shù)？

A：這項(xiàng)技術(shù)目前處于研究階段，但它的核心思想——更快、更穩(wěn)定的圖像生成——很可能會(huì)被整合到未來(lái)的AI繪畫工具中。隨著技術(shù)成熟，用戶可能會(huì)發(fā)現(xiàn)AI畫圖的速度更快、質(zhì)量更穩(wěn)定，等待時(shí)間大大縮短。