在生成式 AI 的浪潮中，我们见证了从 Stable Diffusion 到 FLUX、Qwen-Image 等大规模扩散模型的画质飞跃。然而，这种飞跃并非没有代价。为了从纯噪声中 "雕刻" 出清晰的图像，这些模型通常需要进行 40 到 100 步（NFE）的迭代去噪。这种延迟使得模型很难真正应用于实际的实时生成或大规模服务。
于是，"少步生成"（Few-step Generation）成为了必争之地。对于原本教师模型曲折的生成轨迹，目前的少步加速方案（如 Progressive Distillation, Distribution Matching 等）都在试图做同一件事：把弯路拉直，一步到达终点。
然而，原本高维空间的生成轨迹极其复杂，强行 "拉直" 会导致轨迹上的几何失配（Geometric Mismatch）。这直接导致了少步生成时的结构崩坏和细节丢失。
有没有一种方法，既能快，又能顺应原本蜿蜒的生成轨迹？
复旦大学与微软亚洲研究院带来的 ArcFlow 给出了答案：如果路是弯的，那就学会 "漂移"，而不是把路修直。
一、 困境：为什么 "走直线" 难以学习？
在扩散模型中，教师模型（Pre-trained Teacher）的生成过程本质上是在高维空间中求解微分方程并进行多步积分。由于图像流形的复杂性，教师模型原本的采样轨迹通常是一条蜿蜒的曲线，其切线方向（即速度场）随时间步不断变化。
为了加速，现有的蒸馏方法（如 Progressive Distillation, Instaflow 等）尝试将这个轨迹压缩成一步直线抵达。它们的逻辑是：既然走曲线慢，那就训练学生模型，把起点（噪声）和终点（图像）之间连成一条直线。如果学生能学会走这条直线，那推理不就只需要一步了吗？
这种策略带来了两个致命问题：
-
几何失配（Geometric Mismatch）：教师模型原本的权重是基于曲线轨迹训练出来的。强行让学生模型去拟合一条直线，相当于让它 "背叛" 教师原本的生成先验。这种几何上的不匹配，导致学生模型很难学，或者学出来的东西结构崩坏。
-
学习成本高：为了强行扭转轨迹，学生模型往往需要进行全参数微调（Full Fine-tuning）。这不仅训练慢、显存开销大，而且容易导致 "灾难性遗忘"，破坏大模型原本优秀的泛化能力。
所以我们经常看到：很多蒸馏后的模型，虽然速度快了，但生成质量不稳定，甚至对复杂的 Prompt 理解能力下降。
如果不强制拉直，我们还能怎么快起来？
二、 洞察：速度场不是随机的，它是连续的
ArcFlow 团队重新审视了教师模型的轨迹，根据 ODE 的理论规律，在相邻的时间步之间，去噪的速度方向并不是跳跃式变化的，而是存在极强的相关性。这就像一辆赛车在过弯道，下一秒的方向和速度，很大程度上取决于当前秒的状态和惯性。既然教师模型的轨迹本身就是连续变化的，为什么我们不直接去建模这种 "变化规律"，而不是强行把它改成直线呢？
如果我们能找到一种参数化方法，能够描述这种 "弯曲" 的趋势，那么学生模型就不需要费力去把路拉直，而是可以顺着教师的势能，用极少的步数 "滑" 向终点。
基于这个核心洞察，ArcFlow 诞生了。
三、 ArcFlow 的三大杀手锏
- 动量参数化（Momentum Parameterization）：给生成过程加个 "惯性"
为了捕捉上述的 "速度连续性"，ArcFlow 引入了物理学中经典的 "动量"（Momentum）概念。
在传统方法中，模型在每个时间步独立预测速度。而在 ArcFlow 中，我们将速度场建模为多个连续动量过程的混合。通俗来说，模型不仅预测当前的 "速度"，还预测了一个 "动量因子"（Momentum Factor）。这个因子描述了速度随时间衰减或增强的趋势。这就好比我们知道了物体的初速度和受力情况（动量），哪怕不看中间过程，我们也能通过物理公式直接预判它未来的轨迹是弯曲的还是笔直的。
这一设计让 ArcFlow 能够显式地构建非线性轨迹。在 2-4 步的极少步数下，这种非线性轨迹比生硬的直线能更精确地贴合教师模型的原始路径。
- 解析求解器（Analytic Solver）：数学层面的 "零误差"
既然已经用 "动量公式" 完美定义了速度随时间的演变规律，那么这条轨迹的积分就是可解析的。
也就是说，我们可以推导出一个闭式解（Closed-form Solution）。
这意味着，ArcFlow 不需要像传统求解器那样通过离散步去拟合轨迹。它只需要一次前向传播，就能通过数学公式，精确无误地计算出任意时间间隔后的终端状态。
这种数学层面上的 "零误差" 积分，是 ArcFlow 能够实现高精度流匹配的关键。它消除了传统蒸馏方法中的离散化噪声，让生成的图像细节清晰。
- 极简训练策略：<5% 参数的 LoRA 微调
这是最让开发者兴奋的一点。
正如前文所说，传统方法因为要 "强行拉直" 轨迹，不得不重写整个模型的参数。而 ArcFlow 选择 "顺势而为"，它的非线性轨迹天然契合教师模型的预训练分布。
因此，ArcFlow 不需要破坏教师模型原本的参数。实验证明，仅需通过 LoRA 微调不到 5% 的参数（主要是为了适应新的动量预测头），就能实现完美的轨迹对齐。
这种策略带来了两大红利：
-
训练收敛极快：相比 TwinFlow 等全量微调方法，ArcFlow 的收敛速度快了超过 4 倍。
-
保留教师先验：最大程度继承了 FLUX/Qwen 原本庞大的知识库，不像其他蒸馏模型那样容易出现崩坏或画质劣化。
四、 实验数据
团队在 Qwen-Image-20B 和 FLUX.1-dev 这两个目前最强的开源模型上进行了验证。结果表明，ArcFlow 在速度、质量和效率上实现了的平衡。
- 推理速度
从原始的 50-100 步迭代，直接压缩至 2 步（2 NFE）。在相同硬件上，实现了超过 40 倍加速。
- 画质表现
在 Geneval、DPG-Bench 等基准测试中，ArcFlow 在 2 步设定下的 FID 和语义一致性得分大部分优于或持平目前的 SOTA 方法。
视觉对比：
从论文展示的效果图来看，在同样的 2 步推理下，其他线性蒸馏方法生成的图像容易出现背景模糊、物体结构扭曲（如折断 / 重影的剑、模糊的背景），尤其是在不同的初始噪声下，其他方法容易出现生成模式相似、多样性坍缩的情况。而 ArcFlow 生成的图像不仅清晰度高，而且保留了教师模型原本的丰富细节和画面多样性。
- 训练效率
得益于更精准的轨迹拟合和 LoRA 策略，ArcFlow 的训练曲线令人赏心悦目。在相同迭代步数下，ArcFlow 的 FID 分数和画面质量大幅领先。对于没有大规模算力的实验室或个人开发者来说，这大大降低了复现和定制的门槛。
- 更多效果展示
五、 总结
ArcFlow 提出了一种新的少步蒸馏的解决思路：相较于 "把曲线拉直" 的 "蛮力"，不如顺应原本的模型特征空间，用参数去描述其复杂性。通过动量参数化和解析求解器，ArcFlow 避免了不稳定的对抗性目标函数和全参数训练，从而实现了更快的收敛速度和更高效的蒸馏过程。这为未来的高效生成模型研究提供了一个极具潜力的方向。