نقدم نموذجًا جديدًا للنمذجة التوليدية مبنيًا على التدفقات المعيارية المستمرة (CNFs)، مما يمكّننا من تدريب نماذج CNFs على نطاق غير مسبوق. وبشكل خاص، نُقدِّم مفهوم "مطابقة التدفق" (Flow Matching)، وهو نهج خالٍ من المحاكاة لتدريب نماذج CNFs يعتمد على تقدير حقول المتجهات الخاصة بمسارات احتمالية شرطية ثابتة. تتماشى مطابقة التدفق مع عائلة عامة من مسارات الاحتمالات الغاوسية التي تُستخدم لتحويل العينات الضوضائية إلى عينات البيانات — وهي تشمل المسارات التشتتية الحالية كحالات خاصة. من المثير للاهتمام أننا لاحظنا أن استخدام مطابقة التدفق مع المسارات التشتتية يُقدِّم بديلًا أكثر موثوقية واستقرارًا لتدريب نماذج التشتت. علاوة على ذلك، تُمكِّن مطابقة التدفق من تدريب نماذج CNFs باستخدام مسارات احتمالية أخرى غير تشتتية. ويشكل استخدام التداخل التحويلي الأمثل (Optimal Transport - OT) لتعريف مسارات الاحتمال الشرطية مثالًا يُحظى باهتمام خاص. حيث تكون هذه المسارات أكثر كفاءة من المسارات التشتتية، وتُسرِّع التدريب والعينة، وتحسِّن التعميم بشكل أكبر. وعند تدريب نماذج CNFs باستخدام مطابقة التدفق على مجموعة بيانات ImageNet، تُظهر الأداء بشكل متسق أفضل من الطرق التشتتية البديلة من حيث كلاً من الاحتمال (likelihood) ونوعية العينات، كما تسمح بتحقيق عينات سريعة وموثوقة باستخدام حلول عددية جاهزة لمعادلات التفاضل العادية (ODE).