何愷明團隊「擴散模型」新作：在「最後一公里」離散解碼

研究核心：離散擴散語言模型

何愷明團隊近期發表了名為 MeanFlow 的新作，旨在解決傳統擴散模型在生成過程中需要大量採樣步數的問題。該研究提出了一種全新的「離散擴散語言模型」架構，直接在離散 token 空間內定義擴散過程。

此方法透過將 token 遮蔽（MASK）後逐步還原，或將 token 擾動至接近均勻分佈後再逐步修正，來實現高效能的生成。這種策略避開了傳統方法中在連續空間進行複雜運算的瓶頸，從而大幅減少所需的採樣步數。

技術優勢：無需預訓練與高效能

MeanFlow 的核心突破在於其無需預訓練（No Pre-training）且無需知識蒸餾（No Distillation）的特性。研究團隊指出，該模型僅需一次函數評估（1-NFE）即可達到目前最優（SOTA）的性能表現。

這項技術為高效且高品質的圖像生成開闢了新道路，特別適合對計算資源敏感或需要快速迭代的應用場景。透過在「最後一公里」的離散解碼環節進行優化，該模型成功平衡了生成速度與輸出質量。