Flow Matching & Rectified Flow: 解释 Flow Matching 中的路径选择与最优传输。

Core Concept: 路径可选直线/扩散/OT；OT 路径（最优传输）使路径尽量不交叉，从而少步采样质量更好。

数学机理：<strong>三类路径</strong>。(1) <strong>直线（linear / independent）路径</strong>——x_t=(1−t)x_0+tx_1，配对 (x_0,x_1) <strong>独立采样</strong>；<strong>优点</strong>——最简单、速度恒定（v=x_1−x_0）、易实现；<strong>缺点</strong>——独立配对使路径<strong>大量交叉</strong>（同一 x_t 对应多个目标速度），导致'边缘速度不唯一'、学到的流'不直'、少步采样差。(2) <strong>扩散路径</strong>——x_t=√ᾱ_t x_0+√(1−ᾱ_t)ε；<strong>优点</strong>——兼容已有的扩散模型/技术、理论成熟；<strong>缺点</strong>——路径'弯曲'（非直线），故需较多步；且等价于扩散（没有 FM 的'直线优势'）。(3) <strong>最优传输（OT）路径</strong>——求解<strong>最优传输问题</strong>：找一个'从噪声分布到数据分布'的<strong>联合分布</strong> π(x_0,x_1)，使<strong>传输代价</strong>（如 E‖x_1−x_0‖²）最小；用该联合分布定义的直线路径<strong>尽量不交叉</strong>（因为 OT 的'单调性'性质：OT 映射下路径不交叉）。<strong>为什么 OT 路径少步更好</strong>——(a) <strong>路径更直</strong>（OT 的解在'位移插值'下是'单调'的，路径不交叉）；(b) <strong>目标速度更一致</strong>（同一 x_t 附近的路径方向一致，故 v_marginal 更'确定'）；(c) 故 ODE 更易积分（可用更少步）。<strong>OT 路径的计算</strong>——精确 OT 在连续高维空间<strong>不可解</strong>；故用近似：(a) <strong>minibatch OT</strong>——在每个 batch 内用 Sinkhorn 算法求'批内最优配对'（近似 OT），再用这些配对定义路径；<strong>优点</strong>——简单（只改配对方式）、有效；(b) <strong>迭代方法</strong>（Reflow 可视为'迭代逼近 OT'）；(c) <strong>理论上的'OT-CFM'</strong>（Tong 等 2023）——用 minibatch OT 构造条件路径，论文证明其边缘速度与'独立配对'的 FM <strong>不同</strong>（更接近真实 OT），故效果更好。<strong>实证</strong>——(a) OT-CFM 在同等步数下优于独立配对的 FM；(b) 但<strong>收益在'配对质量'上有上限</strong>（minibatch OT 只是近似）；(c) 大规模训练时'独立配对 + 多轮 Reflow'可能是更实用的路线。<strong>与其他路径的对比</strong>——(a) <strong>直线（独立配对）</strong>——最简单，需 Reflow 拉直；(b) <strong>OT-CFM</strong>——用 OT 配对，路径更直；(c) <strong>扩散路径</strong>——兼容预训练；(d) <strong>VP/VE 路径</strong>——方差保持/爆炸（扩散的两种参数化）。<strong>选择依据</strong>——(a) <strong>追求少步生成</strong> → OT-CFM 或 直线 + Reflow；(b) <strong>兼容已有扩散模型</strong> → 扩散路径；(c) <strong>简单快速</strong> → 直线（+ 可选的 Reflow）。<strong>度量</strong>——(a) <strong>步数 vs 质量曲线</strong>；(b) <strong>路径的'直度'</strong>（如 E‖x_1−x_0−v·1‖ 的偏差）；(c) <strong>训练稳定性</strong>。

深度剖析与工程权衡：① <strong>'路径直度决定采样步数'是核心逻辑</strong>——面试中能指出'OT 路径更直故少步更好'是深度理解的标志。② <strong>'minibatch OT 是实用近似'</strong>——精确 OT 不可解；故用'批内 Sinkhorn'近似（简单且有效）；这是'用近似换取可行性'的典型。③ <strong>'Reflow 可视为迭代逼近 OT'</strong>——两者目标相同（拉直路径）；Reflow 用'模型自生成配对'、OT 用'最优配对'；可组合。④ <strong>'收益的上限'</strong>——minibatch OT 只是近似（batch 有限）；故'独立配对 + Reflow'在实践中可能更实用（尤其大规模）。⑤ <strong>'与预训练的兼容性'</strong>——扩散路径兼容已有模型（可复用）；直线/OT 路径需从头训练（或转换）。⑥ <strong>面试要点</strong>——被问'FM 的路径怎么选'，应给出'<strong>直线（简单但交叉）+ 扩散（兼容但弯曲）+ OT（不交叉但需近似）</strong>'与'<strong>路径直度决定步数、minibatch OT 是实用近似、Reflow 可迭代拉直</strong>'；能指出'精确 OT 不可解故用近似'是深度理解的标志。