深度分析
AG-REPA：因果層選擇技術揭示音訊生成模型的知與行分離現象
一篇來自 ArXiv 的研究深入探討了音訊 Flow Matching 模型中神經網路內部儲存的資訊本質。研究團隊發現，網路中儲存豐富語意資訊的深層網路，對生成過程的實際貢獻反而較低；真正驅動速度場的關鍵因果層集中在淺層。這種「儲存與貢獻分離」現象解釋了傳統啟發式層選擇策略的低效性。
Flow Matching
深度分析
從自由能梯度流到測地線：Wasserstein 空間中的擴散模型與 Flow Matching
研究以 Wasserstein 空間的幾何為基礎，說明擴散模型的自由能梯度流與 Flow Matching 的最小作用路徑，並比較兩者在生成效率與應用前景的差異。此幾何框架同時揭示了流體力學與李群理論在深度學習訓練中的新角色，並提供未來模型監控與超參數調整的理論依據。
深度分析
Bi‑Anchor Interpolation Solver：雙錨插值提升 Flow Matching 生成模型推論效率
FlowMatching生成模型因需迭代ODE求解而延遲高。研究提出Bi-AnchorInterpolationSolver，透過輕量SideNet與雙錨速度插值，使間隔大幅提升且誤差低。實驗顯示只用10次NFE即可達到與100+次Euler相同的FID，5次NFE仍保持高品質。
深度分析
流式擴散模型雙階段訓練本質：Oracle 速度場解析與實務技巧
研究重新檢視流匹配目標，發現流式擴散模型具備兩階段訓練本質：早期以資料模式導航形成全局布局，後期靠最近樣本細化細節。此發現說明時間步移位與指導間隔等技巧的效用，並為未來模型改進提供指引。