扩散模型：一致性模型与 Rectified Flow：终点映射和速度场不是一回事

少步生成经常被讲成“把 50 步变成 4 步、1 步”。这个说法太粗。真正要分清的是：模型到底在学什么对象。

这篇只回答一个问题：Consistency / LCM 和 Rectified Flow / Flow Matching 都能服务少步生成，但它们为什么不是同一种方法？

一个更好的抓手是：一致性模型学的是“同一条生成轨迹上的不同噪声点，应该映射到同一个终点”；Flow / Rectified 路线学的是“从噪声到数据的连续路径上，每个点应该沿哪个速度走”。前者更像学一个跨噪声层级的终点函数，后者更像学一张运输速度场。

先看多步扩散到底慢在哪里

普通扩散采样从高噪声状态 $x_T$ 出发，经过很多小步到达干净样本 $x_0$ ：

$x_T\rightarrow x_{t_1}\rightarrow x_{t_2}\rightarrow\cdots\rightarrow x_0$

$x_T$ 是几乎纯噪声， $x_0$ 是最终图像或视频 latent，中间的 $x_{t_i}$ 是模型和采样器一步步修正后的状态。多步采样慢，但它有一个很重要的好处：每一步只承担一小段纠错。

少步方法要解决的不是“循环写少一点”，而是下面这件事：当中间状态变少，每一步都变成大跳时，模型怎样不丢全局结构、条件控制、细节和分布覆盖。

一致性模型：同一条轨迹应指向同一个终点

一致性模型把注意力放在终点映射上。设 $f_\theta(x_t,t)$ 是模型，输入是一条生成轨迹上的某个带噪状态 $x_t$ 和时间 $t$ ，输出是对干净样本的估计。理想情况是：

$f_\theta(x_t,t)\approx x_0$

这里 $f_\theta$ 不再只是预测下一小步，而是尽量回答：“如果从当前噪声层级直接看终点，这条轨迹最后应该是什么？”

一致性约束更关键。若 $x_t$ 和 $x_s$ 来自同一条 probability-flow ODE 或教师采样轨迹上的两个时间点，那么它们虽然噪声强度不同，但应该回到同一个干净样本：

$f_\theta(x_t,t)\approx f_\theta(x_s,s)$

$x_t$ 和 $x_s$ 可以理解为同一辆车在同一条路上的两个位置， $f_\theta$ 输出的是“这辆车最终要到的目的地”。一致性的意思不是两个 noisy latent 长得一样，而是它们经过模型后指向同一个终点。

训练时常见的损失可以写成：

$\mathcal{L}_{\mathrm{cons}} = \mathbb{E}_{(x_t,x_s)} \left[ \|f_\theta(x_t,t)-\mathrm{sg}(f_\theta(x_s,s))\|_2^2 \right]$

期望符号表示对很多轨迹点对取平均；平方距离让两个输出靠近； $\mathrm{sg}$ 表示 stop-gradient，意思是右边那一路只作为目标，不让梯度从那里反向修改，避免两个分支互相追着漂。论文实现会有 EMA、边界条件和参数化细节，但这条式子已经抓住核心：同一条轨迹不同时间点的终点估计要一致。

边界条件也很重要：

$f_\theta(x_0,0)=x_0$

如果输入已经是干净样本，模型不应该再改它。没有这个锚点，一致性只会变成“大家输出一样”，但不保证输出的是正确图像。

LCM 把一致性接到 latent diffusion

Consistency Models 提供了少步映射的基本思路，Latent Consistency Models（LCM）把它接进 latent diffusion 生态。普通 Stable Diffusion 一类模型在 latent 空间里去噪，LCM 的目标是让学生在同一条教师 ODE 轨迹上学到一致映射，从而 1 到 4 步也能得到可用图像。

LCM 为什么在工程上受欢迎？因为它不是重新发明完整生成系统，而是把已有 latent diffusion 教师蒸馏成快速学生，还可以通过 LoRA 形式进入原有生态。对交互预览、草图探索、低延迟 UI，这很有吸引力。

但要记住它的代价：终点一致不等于细节无损。复杂 prompt、文字、局部编辑、ControlNet、参考图一致性和高频纹理，都可能在少步映射里被压平。读 LCM/Consistency 的结果时，不要只问 4 步是否“能出图”，还要看强条件、长尾 prompt 和局部细节是否退化。

Flow Matching：直接学习路径上的速度

Flow Matching / Rectified Flow 换了一个问题。它不先问“这个 noisy point 的终点是什么”，而是先选一条从噪声分布到数据分布的连续路径，再让模型学习路径上每个点的速度。

最简单的路径是线性插值：

$x_t=(1-t)x_0+t x_1,\qquad t\in[0,1]$

这里 $x_0$ 是噪声端样本， $x_1$ 是数据端样本， $t$ 从 0 走到 1。 $t=0$ 时在噪声端， $t=1$ 时在数据端，中间状态就是两者按比例混合。

这条线性路径的目标速度很简单：

$u_t=x_1-x_0$

它表示“从起点指向终点的方向”。模型 $v_\theta(x_t,t,c)$ 要做的是在中间点 $x_t$ 、时间 $t$ 、条件 $c$ 下预测这个方向：

$\mathcal{L}_{\mathrm{FM}} = \mathbb{E}_{t,x_0,x_1} \left[ \|v_\theta(x_t,t,c)-u_t(x_t\mid x_0,x_1)\|_2^2 \right]$

$v_\theta$ 是模型预测速度， $u_t$ 是所选路径给出的目标速度。这个损失不是让模型预测噪声，也不是让它直接输出终点，而是让它学“当前位置应该怎么移动”。采样时就沿 ODE 积分：

$\frac{dx}{dt}=v_\theta(x,t,c)$

用 Euler 写成离散更新就是：

$x_{t+\Delta t}=x_t+\Delta t\,v_\theta(x_t,t,c)$

$\Delta t$ 是步长。路径越平滑、速度场越稳定、时间网格越合适，少数几步积分就越可能接近正确终点。

Rectified Flow：让路径更适合粗步走

Rectified Flow 从线性连接噪声和数据出发，进一步关心“生成轨迹能不能变直、变好积分”。它的 reflow 思路可以理解为：先训练一个 flow，让它从噪声生成样本；再把模型实际生成的起点-终点配对拿来重新训练，使后续路径更接近直线。

图源：Rectified Flow 官方实现，来自 github_misc/intro_two_gauss.png。原图用两个高斯分布展示线性插值路径和 Rectified Flow 路径的区别：蓝色是被模型整流后的运输路径，绿色是直接线性配对产生的路径。本站读法：Rectified Flow 的重点不是“少跑几个 timestep”，而是让从噪声到数据的运输关系更容易被低步数 ODE 积分跟上。

这张图适合先看左半边：如果起点和终点配对不合适，线性插值会出现交叉路径，模型要学的速度场就会很别扭。再看右半边：经过 flow 诱导后的配对更接近“同一簇到同一簇”，路径更平行，Euler 这类粗步积分也更容易工作。

但“直”不是万能目标。Rectified Diffusion 的标题就提醒过：straightness is not your need in rectified flow。真正需要的是路径、时间采样、条件控制、数据几何和少步采样质量一起成立。路径看起来更直，如果低噪声细节弱、prompt 控制弱、视频运动被压慢，依然不是好模型。

v-prediction 和 Flow velocity 容易被混在一起

扩散论文里也常见 $v$ -prediction，这和 Flow Matching 的 velocity 有联系，但不是同一层东西。

在扩散参数化里， $v$ -prediction 通常是一种更方便的输出坐标。模型预测 $\hat v$ ，采样器再把它换算成 $\hat\epsilon$ 或 $\hat x_0$ ，然后按 DDIM、DPM-Solver、Euler 等规则更新。

在 Flow Matching 里， $v_\theta(x,t,c)$ 直接就是 ODE 右边的速度场。采样器拿它做：

$x \leftarrow x + \Delta t\,v_\theta(x,t,c)$

所以可以这样记：

名字	模型输出是什么	采样器怎样用
扩散 $v$ -prediction	噪声/数据混合坐标里的预测量	先换算，再按扩散采样规则更新
Flow Matching velocity	生成 ODE 的速度向量	直接作为积分方向

这个区别很重要。否则读 SD3、Wan、Flux、视频 DiT 或机器人 diffusion policy 时，很容易把“视频里物体的运动速度”和“latent 空间里的生成速度场”混成一件事。Flow velocity 描述的是样本在高维 latent 里如何从噪声流向数据，不是画面中人物跑得多快。

两条路线到底怎么选

如果你已经有一个强扩散教师，只想把现有模型压到 1 到 4 步，Consistency / LCM 往往更自然。它保留 teacher-student 语境，适合快速预览、交互式 UI 和已有 Stable Diffusion 生态。

如果你在训练新一代图像或视频底座，Flow Matching / Rectified Flow 更值得看。SD3、Wan 这类系统都说明：在 latent 上学速度场、用 DiT 做主干、用 ODE sampler 推理，已经成为现代生成模型的一条主线。它不是只为一步生成服务，而是把训练目标和采样路径一起重写。

如果目标是极限一步高质量，光有一致性或 rectified 路线通常还不够，还要看 DMD、DMD2、Phased DMD 这类分布匹配蒸馏。那是另一篇文章的重点：它关心的是学生最终分布是否像 teacher/data，而不是单纯轨迹一致或路径更直。

评测要看各自最容易坏的地方

Consistency / LCM 最怕“快但变钝”：图能出，结构大致对，但文字、手、边缘、局部编辑和强条件控制变弱。评测应拆 prompt 难度、ControlNet/参考图、局部编辑和高频细节。

Flow / Rectified 路线最怕“路径好看但任务不保真”：速度场损失下降，少步积分也稳定，但条件没有被持续使用，视频运动变慢，低噪声细节不足，或者时间采样漏掉关键噪声区间。评测应拆 timestep bucket、condition bucket、视觉细节、视频 motion bucket 和端到端延迟。

两条路线都不能只看 FID 或少数样例。少步生成的真正验收，是在真实 1/2/4/8 步、真实 CFG、真实 prompt 分布、真实服务延迟下，质量和控制性是否一起过线。

读完以后怎么判断

这篇可以用四句话收住：

一致性模型学终点映射：同一条轨迹上的不同噪声点，输出应该一致。
LCM 把一致性蒸馏接到 latent diffusion，使 1 到 4 步交互式生成更实用。
Flow Matching 学速度场：先选噪声到数据的路径，再回归路径上的移动方向。
Rectified Flow 关心路径是否更适合少步积分，但“更直”本身不是质量保证。

继续读时，可以把本文接到采样与推理加速、一步生成、蒸馏与整流、Score Matching 到 SDE 和视频与多模态扩散。

外部精读

Consistency Models：理解同一 PF-ODE 轨迹上不同点为什么要输出一致。
Latent Consistency Models：看一致性蒸馏如何进入 latent diffusion 和 Stable Diffusion 生态。
Rectified Flow：理解 reflow 和路径整流怎样服务少步生成。
Flow Matching：理解“先定义概率路径，再学习速度场”的生成框架。
Scaling Rectified Flow Transformers：看 SD3 路线如何把 rectified flow 和多模态 DiT 接到高分辨率文生图。
Meta Flow Matching Guide and Code：适合从工程角度复习 Flow Matching 的统一写法和代码入口。

Charles's Castle