CVPR 2026｜何恺明团队五连发：单步生成FID 1.72、归一化流加速700倍，流匹配全面挑战扩散霸权

导语：何恺明团队CVPR 2026五连发，用流匹配、归一化流加速和纯视觉推理等技术，全面挑战扩散模型统治地位，多项核心指标超越蒸馏方法，预示着生成范式重大转变。

2025年到2026年的生成式AI领域，流匹配（Flow Matching）正在成为最受瞩目的技术方向。它用一种常微分方程路径替代扩散模型的随机微分方程路径，理论上能让图像生成摆脱数百步迭代的束缚，实现更高效的采样。但从理论到工程落地，训练目标设计、架构选择、速度与质量的平衡等挑战重重。正是在这个关键节点上，何恺明团队在CVPR 2026一口气交出了五篇重磅论文，从不同角度对生成范式发起冲击。这五篇论文看似各自独立，实则指向同一目标：寻找扩散模型统治下的突破口，重新定义图像生成与视觉理解的底层逻辑。

一、JiT：让扩散模型真正“去噪”，回归预测干净图像

扩散模型在训练时，通常预测的是噪声 ε 或速度 v，而不是干净图像 x 本身。这一做法几乎成了默认设置，但其背后的代价被长期忽视：噪声与速度并不在自然图像的流形上，它们属于高维空间中的“离群量”。网络被迫去预测一个它并不“理解”的东西，这需要消耗额外的表达能力和先验知识。与之相反，干净图像 x 就在图像流形上，是模型经过训练后能够自然逼近的目标。JiT（Just in Time）正是从这个看似简单的洞察出发：既然我们要得到的是干净的图像，何不让网络直接预测 x？

这一思想直接挑战了扩散模型的经典训练范式。为了让理想落地，JiT 采用了标准 Vision Transformer，但做了一个反直觉的架构选择：使用极大尺寸的 patch——16×16、32×32 甚至 64×64。理由是，当预测目标本身就在图像流形上时，网络不再需要耗费资源去对抗流形外的高频噪声，因此大尺寸 patch 并不会造成信息丢失，反而让模型更专注于学习图像的基本结构。与此同时，JiT 彻底抛弃了常用的 VAE Tokenizer，无需预训练的潜空间，也无需任何额外的 GAN 损失或感知损失，只用一个最朴素的 Transformer 直接在像素空间上执行去噪。

这一设计带来了一个令人惊喜的特性：模型参数量仅为 86M，但可以原生适应从 256×256 到 1024×1024 的不同分辨率，计算量几乎没有变化——只需要调整 patch 大小即可。最终，JiT 在 ImageNet 512×512 上，在没有蒸馏、没有外部模型辅助的条件下，从零训练取得了 FID 1.78 的优异成绩。这证明了一个被压抑了五年的可能性：让扩散模型回归“去噪”的本质，就足以引发质的飞跃。

论文链接：https://arxiv.org/abs/2511.13720

二、VARC：18M参数的纯视觉模型，推理能力比肩人类

ARC（Abstraction and Reasoning Corpus）是衡量 AI 抽象推理能力的经典基准，每个任务由极少数示例定义，要求模型推断规则（例如对称性、重力方向、颜色连续性、反射变换等）并泛化到新样本。这些规则本质上是视觉的、空间的概念，与语言并无必然关联。然而，学界惯性的做法是将其转化为文字问题，用 GPT-4、Claude 等大语言模型刷榜，这无形中强化了一个假设：视觉抽象推理必须依赖语言作为中介。

VARC 的出现就是为了打破这一假设。它将 ARC 重新建模为纯粹的图像到图像翻译问题，仅用一个 18M 参数的 ViT 从头训练，完全不涉及任何语言能力。为了让小模型胜任推理，VARC 引入了“画布”策略：将输入网格嵌入到预定义的 32×32 大画布上，用第 11 种颜色填充背景，这样 token 数量从有限的网格拓展到更大的空间，使注意力机制能自由捕捉远程视觉关系。更重要的是，VARC 在推理阶段使用了测试时训练（TTT），即利用当前任务的少量示例对模型进行快速微调，让模型现场学习规则，而不是死记硬背。

结果是惊人的：在 ARC-1 数据集上，VARC 单模型准确率达到 54.5%，集成后更是提升至 60.4%。这一数字与人类平均水平（60.2%）以及顶级大语言模型的表现旗鼓相当。一个参数量仅为大模型几千分之一的纯视觉架构，在需要高强度抽象推理的任务上与人类打平——这有力地证明，只要给视觉模型提供一个足够大的“思考空间”和即时学习的能力，语言便不再是抽象推理的必需品。

论文链接：https://arxiv.org/abs/2511.14761

三、BiFlow：归一化流的效率革命，单步生成加速700倍

归一化流（Normalizing Flow）是生成式建模中历史最悠久的框架之一，它理论优雅，能精确计算似然，同时支持生成和密度估计。但长期以来，它在大规模图像生成上被扩散模型全面压制，根源在于两个结构性约束：第一，前向变换必须精确可逆，这迫使网络采用受限架构，无法使用强大的 Transformer；第二，逆向采样必须自回归顺序计算，无法并行，生成一张图像的时间成本极高。这使得归一化流逐渐沦为“理论上优美、工程上鸡肋”的存在。

BiFlow 的解题思路初看起来相当反直觉：让逆向过程不再必须是前向过程的精确逆。前向过程依然保持数学上的严格可逆性，确保分布映射准确；但逆向过程独立训练一个全新的模型，它不需要解析地等于前向的逆，只需要近似逆映射即可。正是这个“放弃精确逆”的创举，将逆向模型从自回归顺序瓶颈中解放出来，使其可以采用完全并行的 Transformer 架构，真正实现单步生成。

但逆向模型独立训练可能带来表示空间错位的问题，为此 BiFlow 引入了隐藏层对齐机制，利用前向过程的中间状态轨迹来监督逆向模型的学习，强制两者在隐空间保持一致。这一设计使模型既享受了 Transformer 的强表达力，又继承了前向过程的分布结构。最终，BiFlow 在 ImageNet 256×256 上取得了 FID 2.39，刷新归一化流的历史纪录；更震撼的是速度数据：单张图像生成时间从 TARFlow 的 0.7 秒骤降至 0.001 秒，加速约 700 倍。归一化流长久背负的效率枷锁，被一举打破。

论文地址：https://arxiv.org/abs/2512.10953

四、iMF：无蒸馏单步生成，FID 1.72打破扩散垄断

“快进生成”的目标是让扩散模型用 1 步而不是数百步完成采样，此前工业界的主流方案几乎清一色依赖蒸馏：训练一个慢速但高质量的教师模型，再通过蒸馏得到一个快速的学生模型。这条路线虽然有效，但训练流程复杂，学生的性能上限被教师锁死。何恺明团队在 2025 年 5 月提出的 MeanFlow（MF）首次将“均值速度场”引入单步生成，试图绕开蒸馏，但初代 MF 存在三个系统性的致命伤：

• 训练目标自依赖：MF 采用“平均速度损失”（u-loss），目标函数中包含网络自身输出推导出的项，导致训练闭环震荡，方差极大。
• 引导机制死板：无分类器引导（CFG）强度在训练时被固定，推理时用户无法调节质量-多样性权衡，失去了关键的调参自由度。
• 架构效率低下：将时间步 t、类别标签 c、CFG 强度 ω 等多条件向量简单求和，条件之间相互干扰，参数利用不充分。

Improved MeanFlow（iMF）针对这三个痛点实施了精准“手术”：

1. 训练目标重构：利用 MeanFlow 的数学恒等式，将不稳定的 u-loss 等价转换为瞬时速度损失（v-loss）。瞬时速度 v 是网络在 t 时刻的瞬时导数，与自身输出无关，变为标准的回归问题，训练稳定性显著提升。

2. 灵活 CFG：将 CFG 强度 ω、引导区间 t_min 和 t_max 全部编码为显式的条件 token，训练时从幂分布中随机采样不同引导强度，让网络学会覆盖整个 CFG 空间；推理时用户可任意调节，甚至支持引导区间控制——只在特定噪声水平区间启用引导，其他时间段自动关闭，为调控提供了更多可能。

3. 多 token 条件注入：摒弃简单求和的粗暴做法，改为将每类条件转化为多个可学习的 token（类别 8 个、时间步 4 个、CFG 强度 4 个、引导区间 4 个），与图像 latent token 沿序列维度拼接，由 Transformer 统一处理。这一改进使 Base 模型参数从 133M 降至 89M，减少了三分之一，反而带来性能提升。

消融实验清晰地展示了每一步的增益：原始 MF 基线 FID 6.17 → 替换 v-loss 后降至 5.68 → 加入灵活 CFG 后 4.57 → 多 token 条件注入后 4.09 → 升级 Transformer 架构后 3.39 → 经过 640 epoch 长训练，最终 FID 达到 1.72。iMF-XL/2 以 1-NFE FID 1.72 的成绩，超越了所有依赖蒸馏的单步生成方法，包括 FACM-XL/2（蒸馏，FID 1.76）和 DMF-XL/2+（蒸馏，FID 2.16）。当采样步数增至 2 步时，FID 进一步降到 1.54，已非常接近主流多步扩散模型在数百步下的表现（如 SiT-XL/2+REPA 的 1.42）。“单步生成必须依赖蒸馏”的铁律，被彻底粉碎。

论文链接：https://arxiv.org/abs/2512.02012

五、Pixo：像素监督的逆袭，20亿规模数据挑战潜空间霸权

自监督视觉预训练领域，近年来潜空间方法（以 DINOv3 为代表）逐渐占据主导，它们将图像通过 VAE Tokenizer 压缩到低维潜空间再进行对比学习，披靡众多下游任务。这构造了一个隐含的叙事：在大规模场景下，像素级自监督天然不如潜空间方法，因为像素空间高维、冗余、多噪声，学习效率低。Pixo（Pixel Supervision）就是要检验这一前提的真伪。

Pixo 在 MAE（掩码自编码器）的基础上进行了全方位强化：预训练任务设计得更具挑战性，迫使模型从掩码像素中重建精细信息；架构针对大规模高效训练做了专门优化；训练策略引入了自筛选机制，自动过滤低质量数据，最小化人工干预。最关键的是，它在 20 亿张网络爬取图像上进行训练，系统性地探索了像素监督的上限。

结果出乎不少人的意料：在深度估计、前馈 3D 重建、语义分割、机器人操控等多个下游任务上，Pixo 与 DINOv3 正面交锋，各有胜负，而非一边倒的落后。这表明像素监督并非过时的遗物，只要辅以足够的规模、精巧的任务设计和完善的训练策略，它完全可以与潜空间方法分庭抗礼。两种范式的竞争或许才刚刚开始，而 Pixo 至少证明了，像素空间的潜力远未触顶。

论文链接：https://arxiv.org/abs/2512.15715

总结：范式转移的路标

盘点这五篇论文，一个贯穿始终的疑问浮现出来：扩散模型对图像生成长达五年的统治，根基究竟有多牢固？JiT 告诉我们，连最基本的“预测什么目标”都有巨大的优化空间；BiFlow 证明，归一化流的结构性缺陷完全可以通过放弃“精确逆”来修复；iMF 则用无蒸馏的 FID 1.72 直接击碎了对蒸馏的依赖；VARC 让 18M 参数的纯视觉模型在抽象推理上比肩人类，动摇了语言模型的强制介入；而 Pixo 在 20 亿数据规模下让像素监督再度焕发竞争力。

这些工作并非在既有游戏规则下做增量改进，而是不断回到原点，重新审视那些被默认的技术选择。何恺明团队用一套返璞归真、大道至简的研究风格，将流匹配、归一化流和纯视觉推理等方向推到了 2026 年的聚光灯下。扩散模型未必是终点，它更像某个更高效范式出现前的过渡阶段。这五篇论文已经立好路标，接下来要看整个领域是否愿意沿着它们指出的方向，重新出发。