一句话定义
流匹配（Flow Matching）是一种训练生成模型的方法：它学一个随时间变化的速度场（vector field），让样本沿着这个场的"指令"，从随机噪声一路走到真实数据。
展开：像给每个粒子配一张导航地图
想象你有一万只萤火虫，一开始随机撒在夜空里（噪声），你希望它们最后排成一张照片的样子（数据）。做法是给天空的每个位置、每个时刻画一个箭头，表示"此刻此地该往哪飞、飞多快"。萤火虫照着箭头飞，飞到终点，就得到了一张图。
流匹配的流程大致是三步：
1. 选一条概率路径（probability path）：规定从噪声分布到数据分布怎么走。最简单的是直线插值——时刻 0 是噪声，时刻 1 是数据，中间线性过渡。
2. 训练一个速度网络：让它看到"位置 x + 时刻 t"，预测该点的速度。比如走直线路径时，正确答案就是"终点减去起点"，是一个已知量。
3. 用回归的方式逼近它：损失函数就是预测速度和正确答案之间的均方误差（MSE）。这被称为条件流匹配（Conditional Flow Matching, CFM）目标，它是个普通的最小二乘问题，不需要在训练时模拟整个采样过程。
生成时，从噪声出发，沿着学到的速度场解一个常微分方程（Ordinary Differential Equation, ODE），从 t=0 积分到 t=1，终点就是新样本。
一个重要的理论结论是：在合适的条件下，最小化条件流匹配损失，等价于让网络学到整个数据分布上的"边缘速度场"。换句话说，只盯着一堆简单路径做回归，最终会得到全局正确的导航地图。这也让连续归一化流（Continuous Normalization Flow, CNF）这类模型第一次变得好训练——过去它需要模拟 ODE 并反向传播，成本很高。
和扩散模型像在哪、不一样在哪
扩散模型（AI 词典：Diffusion Model">Diffusion Model）先定义"往数据里加噪"的前向过程，通常写成随机微分方程（Stochastic Differential Equation, SDE），再训练网络学会"逆向去噪"或预测得分函数（score）。训练目标绕了一层推导，噪声调度也需要仔细设计。
流匹配则反过来：我不先定义加噪，而是直接规定一条从噪声到数据的路径，然后告诉网络"这条路径上每个点的正确速度是多少"，让它照抄。目标更直接，训练往往也更稳。
| 维度 | 扩散模型 | 流匹配 |
|---|---|---|
| 核心学习对象 | 逆向去噪 / 得分函数 | 时间相关的速度场 |
| 训练信号 | 预测噪声或得分，来自变分下界一类推导 | 直接回归条件路径的速度，MSE |
| 生成过程 | 逆向 SDE，或对应的概率流 ODE | 沿速度场解 ODE |
| 设计自由度 | 主要靠噪声调度 | 概率路径本身可选（直线、耦合方式等） |
| 采样特点 | 步数可多，常需蒸馏来加速 | 路径越接近直线，越可能用很少的步数采样 |
顺便一提，整流流（Rectified Flow）就是通过"把路径拉直"来减少采样步数的代表方向，本质上属于流匹配这一家族。
对从业者和普通人的实际意义
对从业者来说，流匹配的好处是工程上干净：一个预测速度的网络加一个 MSE 损失，就是核心；不用在训练循环里解 ODE，也不用纠结太复杂的噪声调度。它天然适用于图像、视频、音频、机器人动作等连续数据的生成，推理时只需求解一个确定性的 ODE，可控性和调试体验都不错。
对普通人来说，可以这么理解：扩散是"学会怎么把噪声一点点擦掉"，流匹配是"学会怎么把噪声直接搬过去"。当 AI 生图、生视频开始变快、变便宜时，背后很可能就有这类更直的生成路径在起作用。至于具体产品用了什么方法、性能如何，还是以官方页面为准。
记住一句对照就够了：扩散学的是怎么去噪，流匹配学的是往哪儿走。