目录
[一、Diffusion 留下的问题](#一、Diffusion 留下的问题)
[二、Flow Matching 的核心](#二、Flow Matching 的核心)
[三、数学框架：流、向量场与 ODE](#三、数学框架：流、向量场与 ODE)
[3.1 流（Flow）](#3.1 流（Flow）)
[3.2 向量场（Vector Field）](#3.2 向量场（Vector Field）)
[3.3 与 Diffusion 的关键区别](#3.3 与 Diffusion 的关键区别)
[四、Conditional Flow Matching：让训练变得简单](#四、Conditional Flow Matching：让训练变得简单)
[4.1 线性插值路径](#4.1 线性插值路径)
[4.2 目标向量场：两个公式](#4.2 目标向量场：两个公式)
[6.1 Eluer 方法](#6.1 Eluer 方法)
[6.2 Midpoint 方法（更常用）](#6.2 Midpoint 方法（更常用）)
[6.3 与 Diffusion 对比为什么步数更少](#6.3 与 Diffusion 对比为什么步数更少)
本文介绍 Flow Matching 的核心原理，并说明其适合用来建模连续动作分布的原因，以及它是如何衔接到以 为代表的一类 VLA 动作生成头中的。
一、Diffusion 留下的问题
ACT 用 CVAE 实现了用一个隐变量 编码动作模式，一次解码出 action chunk；Diffusion Policy 用一串隐变量
逐步去噪，多模态建模能力更强。但是Diffusion 有一个明显的缺点：推理速度慢。
|--------------------------|--------------|-----------------------------------------|
| 方法 | 推理步数 | 推理方式 |
| ACT（CVAE） | 1 步 | 采样 ，一次解码 |
| Diffusion Policy（DDPM） | 10 ~ 1000 步 | 从噪声逐步去噪 |
| Diffusion Policy（DDIM加速） | ~ 10 步 | 跳步去噪 |
即使用 DDIM 加速，diffusion 仍需多步迭代，在实际机器人控制中，每一步都要跑一次完整的神经网络前向传播，非常耗时。Diffusion 需要多步的一个重要原因，为 Diffusion 的前向过程带有随机性，导致常见采样轨迹更像是逐步修正、逐步去噪的过程；步数过少时，离散化误差和建模误差很难收敛。
二、Flow Matching 的核心
Flow Matching 的方法很直接，不走弯路，直接学一个向量场，把简单分布沿直线推到目标分布。
举一个物理类比：
Diffusion 像是墨水滴入水中(扩散)，然后试图逆转这个随机过程--路径弯弯曲曲，需要很多步才能走回来；
Flow Matching 像是给每个粒子指定一个速度方向，让它们沿着一条规则的连续路径从起点流到终点。在常见的线性插值设定下，这条路径会更直观，也更容易高效求解。
更具体地说：
1）起点 ：从一个简单分布(如标准正态 采样一个点
。
2）终点 ：数据分布中的一个真实样本 。
3）学习目标 ：学一个向量场 ，告诉每个点在每个时刻应该往哪个方向、以多大速度移动。
4）生成过程 ：从 出发，沿着向量场积分到 t=1，得到生成结果。
噪声 ，沿
积分，得到生成的数据
下图展示了一个 2D 棋盘格数据集上的 Flow Matching 过程。从 t=0 的标准正态噪声出发，分布沿着学到的向量场逐步流动，最终在t=1时形成清晰的棋盘格结构：
三、数学框架：流、向量场与 ODE
3.1 流（Flow）
Flow Matching 的核心数学对象是一个流 ，它描述了样本随时间的运动轨迹：
（初始位置为带随机噪声的样本）
是最终生成的样本
流把 t=0 时刻的分布 （简单分布）连续变换到 t=1 时刻的分布
（数据分布）。
3.2 向量场（Vector Field）
流的运动由一个向量场 驱动，向量场告诉每个点在每个时刻的速度：
这是一个常微分方程（ODE），给定初始条件 ，沿着向量场积分就能得到完整的轨迹。
|------------------------------------------|------------------------------------------------|
| 符号 | 含义 |
| | 从初始点 z 出发，在时刻 t 的位置 |
| | 在时刻 t 、位置 x 处的速度向量 |
| | 初始分布（通常是
） |
| | 目标数据分布 |
3.3 与 Diffusion 的关键区别
Diffusion 的生成过程本质上是一个随机微分方程（SDE）--- 每一步都有随机噪声；
Flow Matching 的生成过程是一个常微分方程（ODE）--- 完全确定的、没有随机项。
SDE：有随机项dW， ODE：纯确定性。
确定性路径意味着：采样可以被表述成标准 ODE积分问题。在很多常见设定下，这会带来更平滑、更可预测的采样过程，并允许用较少的积分步数得到可用结果
四、Conditional Flow Matching：让训练变得简单
直接学习一个能把整个 po 变换到 p,的全局向量场是困难的。一个关键简化是: Conditional FlowMatching(CFM)。
核心思想： 不直接在难以显式写出的全局向量场上训练，而是在更容易构造的条件概率路径上定义一个条件向量场。假设条件概率路径符合线性插值，则可以把一对端点样本 () 看成这条条件路径的条件信息。
想象你站在某个中间位置 ，想知道该往哪走。全局向量场
很难直接写出来，但如果我们额外知道这条条件路径由哪对端点
生成，那么对应的条件向量场
就会简单得多。在线性插值情形下，甚至就是一个常向量。更进一步，边际向量场可以理解为对这些条件向量场做适当平均后的结果。这样一来，训练就可以转化为回归一个显式、便宜、易采样的条件目标，而不必直接回归难以获得的全局目标。
4.1 线性插值路径
CFM最常用的选择是线性插值（也叫Optimal Transport 路径）：
|-------------------------------------|-----------------------------------------------------------|
| 符号 | 含义 |
| | 从先验分布采样的噪声，
|
| | 从数据集采样的真实样本，
|
| | 时刻 t 的差值点，
|
这条路径的含义非常直观：在 t=0 时是纯噪声，在 t=1 时是真实数据，中间是两者的线性混合。下图展示了 1D 情况下的线性插值路径。每条线连接一个噪声点 （左侧）和一个数据点
（右侧），中间的
就是两者的线性混合：
4.2 目标向量场：两个公式
沿着线性插值路径，每个点的速度实常数：
此为神经网络学习的目标向量场：在时刻 t 、位置 处，速度应该是
。
整个 Flow Matching 的核心思想，其实就是两个公式：
第一个公式定义了从噪声到数据的路径(线性插值)，第二个公式是这条路径的导数(速度)。神经网络要学的就是这个速度--一个从 指向
的向量。给定当前位置
，模型预测"往哪走、走多快"，就能把噪声推向数据。
与 Diffusion 对比：
|------|----------------------------------------------------------------------------------------------------|------------------------------------------------------------|
| | Diffusion（预测噪声） | Flow Matching（预测速度） |
| 差值方式 | （非线性） |
（线性） |
| 学习目标 | 预测加入的噪声 | 预测速度
|
| 路径形状 | 弯曲（受噪声调度影响） | 笔直（线性插值） |
线性路径：是很多 Flow Matching 实现高效的一个重要原因。在常见设定下，更规则的概率路径通常更容易用较少步数进行数值积分。
五、训练目标
训练过程用一句话概括：随机选一个时刻 t，在噪声和数据之间做线性插值得到 ，让网络预测从噪声指向数据的速度。
与 Difusion 训练的对比:
六、采样推理过程
训练好后，生成新样本的过程是求解一个 ODE ：
从 t=0 (噪声) 积分到 t=1 (数据) ，得到生成结果。
实际中用数值 ODE 求解器（如 Euler 或 Midpoint 方法）来离散化该过程。
6.1 Eluer 方法
最简单的数值积分：
把 0,1 分成 N 步，步长 ，逐步积分。
6.2 Midpoint 方法（更常用）
先走半步估计中点速度，再用中点速度走完整步：
Midpoint 方法每步需要两次网络前向推理，但精度更高，总步数可以更少。
6.3 与 Diffusion 对比为什么步数更少
关键在于概率路径和采样过程的复杂度。在线性插值等常见设定下，路径更规则，ODE 求解器往往可以用更少步数获得可用结果。
而在 diusion 的常见采样流程里，逐步修正的过程通常对步数更敏感，粗步长更容易带来明显质量损失，因此往往需要更多步来保证精度。
七：路线演进总结
整体技术发展路线如下所示：
ACT（CVAE）-----> Diffusion Policy ------> Flow Matching -----> 等连续动作 VLA
每一代方法，都在解决上一代的核心瓶颈：
1）ACT 解决了朴素 BC 的多模态问题，但推理时放弃了多模态采样(≈=0)。
2）Difusion Policy 恢复了真正的多模态采样，但推理太慢。
3）Flow Matching 保持了多模态能力，并在很多常见设定下减少了推理步数。
这条演进线最终汇入 VLA：连续动作生成不再只停留在单步回归，而是逐步走向更强的分布建模。Flow Matching 是其中一种很自然的落点，因为它既保留了生成式动作建模的表达力，又更容易把采样过程写成少步数的 ODE 积分。以 为代表的一类系统，就把这种思路和视觉-语言 backbone 结合在了一起。