你是否曾好奇，为什么像 Flow Matching 这样的生成模型在采样时需要跑几十甚至上百步？明明训练时用的是“直线插值”，为何实际生成路径却弯弯曲曲？这不仅拖慢了速度，还增加了计算开销。
在这篇可视化入门文章中，Alec Helbling 用二维玩具实验揭示了问题的核心：独立耦合（independent coupling）导致轨迹交叉，而神经网络无法在同一时空点预测多个方向的速度，只能取平均——于是路径就“弯”了。
而解决方案出人意料地优雅：Rectified Flows（校正流）。它通过迭代地用模型自身生成的新样本对重新训练，逐步“拉直”轨迹。结果？采样只需几步 Euler 积分，就能获得高质量样本，大幅降低延迟与算力成本。
文中配有大量交互式动图与对比图（支持点击生成），即使没有深度学习背景也能直观理解。
原文链接：