摘要
流匹配（flow-matching）模型为多种应用提供了强大的框架，具备高效的采样能力与灵活的概率路径建模特性。这类模型的生成轨迹具有较低的曲率，从而在每一步采样中显著降低了截断误差。为进一步减小轨迹曲率，本文提出了一种名为“块匹配”（block matching）的新方法。该方法利用标签信息将数据分布划分为若干块，并基于相同的标签信息对先验分布进行参数化，进而将各块与先验分布进行匹配，从而学习到更为平直的生成流。我们证明了先验分布的方差可控制流匹配模型中前向轨迹的曲率上界。通过设计灵活的正则化策略以调节该方差，我们实现了最优的生成性能，在保持生成样本多样性与最小化数值求解误差之间取得了良好平衡。实验结果表明，本方法在参数量相当的模型中展现出具有竞争力的性能。代码已公开于：\url{https://github.com/wpp13749/block_flow}。