AIGC 每日速读|2026-05-14|视频扩散从少步到任意步AnyFlow

今日 AIGC 论文速览

今日共 6 篇 · 视频扩散与推理加速 2 篇 · 图像生成与表征 2 篇 · 图像编辑与对齐评测 1 篇 · RL 后训练方法论 1 篇 · 重点 1 篇深度解读

重点论文标题列表

• AnyFlow
• AsymFlow：rank-asymmetric
• Qwen-Image-VAE-2.0：高压缩 VAE 套件
• Edit-Compass：EditReward-Compass
• Orthrus：双视图框架

重点论文深度解读

1. AnyFlow

首个任意步数视频扩散蒸馏框架——把 ODE 轨迹一次喂给学生 | 新加坡国立大学 Show Lab, MIT, NVIDIA | arXiv:2605.13724

关键词： 视频扩散, Flow Map, On-Policy 蒸馏, Any-Step, 推理加速

研究动机

核心问题： 少步视频扩散一致性蒸馏在采样步数增加时反而退化，无法服务「任意步数」推理需求

近一年的少步视频生成几乎被一致性蒸馏（Consistency Distillation, CD）统治，4-8 步即可出图，但只要把采样步数从 4 加到 16/32，画质反而会塌——这与扩散模型「采样步数越多质量越好」的常识相悖。原因在于 CD 用一致性轨迹替换了原始的 PF-ODE 轨迹，破坏了 ODE 采样在测试时的可扩展行为，使得模型无法真正服务「任意步数」推理需求。如何让一个学生模型同时在 1 步、4 步和 32 步下都给出与教师匹配甚至更好的视频，成为视频扩散落地（实时预览 vs. 高质量出片）的关键瓶颈。

前序工作及局限：

• Consistency Models (CM)：端点一致性映射 z_t→z_0，固定步数下加速但破坏 ODE scaling
• LCM/PCM：把 CM 用到大规模视频/图像扩散，少步效果好但 8 步以上不再提升
• Shortcut Models：学习区间跳跃但仍以 off-policy 数据训练，存在 exposure bias

与前序工作的本质区别： AnyFlow 把蒸馏目标从端点一致性映射升级为任意区间的 flow map 过渡，并通过 Flow Map Backward Simulation 用 on-policy rollout 替代 off-policy 配对，是少步视频蒸馏中第一个真正在策略上做的方案

方法原理

提出 AnyFlow——首个基于 flow map 的任意步数视频扩散蒸馏框架。三个核心改造：(1) 把蒸馏目标从端点一致性映射 z_t→z_0 改为流图过渡学习 z_t→z_r，让学生学会任意时间区间 [t,r] 的跳跃，从而原生支持任意步数采样；(2) 提出 Flow Map Backward Simulation（FMBS），将完整的 Euler rollout 分解为多段 shortcut flow-map 过渡，在 on-policy 数据上蒸馏，缓解少步采样的离散化误差和因果生成的 exposure bias；(3) 在 1.3B 到 14B 的双向与因果架构上统一适用，无需修改教师网络结构，仅靠新的训练目标即可获得「步数越多越好」的良性 scaling 行为。

核心创新

• 首次系统指出 consistency distillation 的「步数缩放悖论」，并把蒸馏目标从端点一致性升级到任意区间的 flow map；Flow Map Backward Simulation 用 on-policy rollout 取代 off-policy 配对，是少步视频蒸馏中第一个真正在策略上做的方案；覆盖 1.3B/14B、双向/因果两类主流视频扩散架构，证明该范式具备普适性，给少步视频生成提供了一条新范式。

实验结果

• 在双向 DiT 视频扩散和因果视频扩散两类骨干上，AnyFlow 在 1B-14B 的全规模区间一致达到或超越基于 consistency 的少步蒸馏方法；当采样步数从 4 提升到 16、32 时，性能不再退化，反而随预算单调上升，重新恢复了 ODE 采样的 test-time scaling 优势。在 14B 视频模型上，少步生成质量直追教师全步，表现出明显的「随计算预算增长」良性曲线。

批判性点评

• 新颖性： 把蒸馏目标从端点一致性升级到 flow map 过渡是范式级创新，FMBS 的 on-policy 反向模拟在视频域是首次系统化提出，相比同期 shortcut 类工作在策略性上更彻底
• 可复现性： 训练需要 1B-14B 量级视频扩散教师 + 大规模 on-policy rollout，复现门槛在数据与算力两端都不低；好在不改网络结构，仅蒸馏目标与训练流程不同，工程上易接入现有 DiT 视频扩散框架
• 影响力： 为「少步视频扩散」打开任意步数推理的天花板，预计将影响下一代实时视频生成、可交互世界模型等高频推理场景的标准训练流程

深度点评：

1. 从端点一致性到任意区间流图 — AnyFlow 的核心洞察是：少步视频扩散之所以「步数越多越糟」，本质是因为一致性蒸馏把原本服从 ODE 轨迹的预测压成了端点映射，破坏了 test-time scaling。把目标改成 z_t→z_r 的任意区间过渡 + on-policy 反向模拟，等于把 ODE 轨迹完整地交还给学生——这一调整看似只是损失函数的变更，背后却是对「蒸馏究竟该学什么」的根本反思。

技术演进定位： 处于「少步视频扩散」从一致性蒸馏到流图蒸馏的范式转变前沿，是任意步数视频生成的代表性方法

可能的后续方向：

• 有望推动统一的「任意步数 + 任意架构」视频扩散蒸馏标准，未来与因果视频生成、世界模型结合后可支撑实时交互式视频内容创作

其余论文速览

1. AsymFlow：rank-asymmetric

Asymmetric Flow Models | Stanford, ETH | arXiv:2605.12964

关键词：Flow Matching·像素扩散·非对称参数化·FLUX.2·文生图

• 前序问题：高维像素空间下做 flow matching 速度预测时，模型需要建模与图像同维的高维噪声，即使数据本身有强低秩结构也只能用满秩参数化硬扛，导致像素扩散模型与潜空间模型之间长期存在显著质量差距
• 本文贡献：提出 AsymFlow：rank-asymmetric 的速度参数化——噪声预测限制在低秩子空间，数据预测保持满维，不改网络结构与训练/采样流程即可解析恢复完整速度；并首次给出潜空间预训练模型→像素空间微调的可行路径，让 FLUX.2 klein 9B 的潜空间先验能直接初始化像素生成
• 实验效果：ImageNet 256×256 取得 1.57 FID，大幅超越同类 DiT/JiT 像素扩散；从 FLUX.2 klein 9B 微调出的像素文生图模型在 HPSv3、DPG-Bench、GenEval 上全面超越其潜空间基模，主观真实感显著提升
• 批判点评：rank-asymmetric 的视角直击像素扩散的本质瓶颈，无侵入式参数化是工程上的甜点；但低秩子空间的秩选择、与 FLUX.2 这种顶级模型的耦合是否过强，跨数据集泛化能力还需更大规模验证

2. Qwen-Image-VAE-2.0：高压缩 VAE 套件

Qwen-Image-VAE-2.0 Technical Report | Alibaba Qwen Team | arXiv:2605.13565

关键词：图像 VAE·高压缩·文本渲染·扩散兼容·视觉分词器

• 前序问题：高压缩比 VAE 在重建保真度和 diffusability 之间长期难以兼得——压得越狠下游 DiT 越难训，文本密集场景（文档、海报）的字符更是首当其冲糊掉
• 本文贡献：提出 Qwen-Image-VAE-2.0 高压缩 VAE 套件：架构上引入 Global Skip Connections 与扩展潜空间通道；训练上用十亿级图像 + 合成渲染引擎专项强化文本场景；潜空间用增强的语义对齐策略让其更适合扩散建模；编解码器采用非对称 + attention-free 主干降低编码开销
• 实验效果：在公开重建基准上达到 SOTA；提出 OmniDoc-TokenBench 文档专项评测，在高压缩比下兼顾通用与文本场景；下游 DiT 实验显示其 diffusability 显著优于现有高压缩基线，收敛速度明显加快
• 批判点评：把 VAE 当成一个独立产品来打磨——文档专项 benchmark + 文本渲染合成数据是务实的工程亮点；但相对其他高压缩 VAE 的提升幅度需要等论文公开数值后比较，「diffusability」的量化定义也仍偏经验

3. Edit-Compass：EditReward-Compass

Edit-Compass & EditReward-Compass: A Unified Benchmark for Image Editing and Reward Modeling | 字节跳动 Doubao Team 等 | arXiv:2605.13062

关键词：图像编辑·Reward Model·多维评测·RL 对齐·Benchmark

• 前序问题：现有图像编辑 benchmark 难度不足、评测维度粗放，已无法区分前沿模型；与此同时图像编辑 RL 越来越依赖 reward model，但 reward model 评测仍停留在脱离实际 RL 场景的设定上，导致编辑模型与 reward model 都缺少可靠裁判
• 本文贡献：提出 Edit-Compass + EditReward-Compass 统一评测套件：前者含 2,388 条精标实例，覆盖世界知识推理、视觉推理、多图编辑等六级递进任务，采用结构化推理 + 细粒度 rubric 多维评分；后者含 2,251 对偏好对，模拟真实 RL 优化中的 reward 场景，让 reward model 评测首次贴合实战
• 实验效果：为前沿编辑模型提供了能拉开差距的多维难度梯度，配套的 reward model 评测能反映 RL 训练里 reward model 的真实表现，为后续编辑模型与 reward model 的迭代提供统一坐标系
• 批判点评：把「编辑能力」和「reward model 能力」两条评测线收编进同一套 benchmark 是踏实的基础工作；2,251 对偏好对的标注一致性、reward 评测对真实 RL 收益的预测力，是这类工作走向社区共识的关键门槛

4. Orthrus：双视图框架

Orthrus: Memory-Efficient Parallel Token Generation via Dual-View Diffusion | Adobe Research, University of Oregon | arXiv:2605.12825

关键词：并行解码·扩散语言模型·KV Cache·推理加速·双视图

• 前序问题：自回归 LLM 生成保真度高但串行解码慢，扩散语言模型可并行却质量退化、训练贵、收敛缺乏严格保证——视觉/多模态 token 生成场景同样面临「快」与「准」难以兼得
• 本文贡献：提出 Orthrus 双视图框架：在冻结的 AR LLM 上挂载一个轻量可训练扩散并行视图，两视图共用同一份高保真 KV Cache——AR 头负责 prefill 构建准确表征，扩散头负责并行解码；通过两视图共识机制保证无损推理，把扩散并行解码移植到 Transformer 几乎零侵入
• 实验效果：在保证完全等价生成（lossless）的前提下，相比纯自回归提供最高 7.8x 加速，KV Cache 内存仅增加 O(1)，参数增量极小；为视觉/多模态自回归 token 生成提供了直接可用的并行加速路线
• 批判点评：把扩散当成 AR 的「并行外设」而不是替代品，借共识机制保留 AR 保真度，工程上很优雅；但 7.8x 加速属于上限值，真实任务下并行步内的拒绝率与吞吐曲线值得进一步给出，扩散头训练成本也未充分披露

5. Beyond-GRPO：奖励分配原则

Beyond GRPO and On-Policy Distillation: An Empirical Sparse-to-Dense Reward Principle for Language-Model Post-Training | Meta | arXiv:2605.12483

关键词：LLM 后训练·GRPO·On-Policy 蒸馏·奖励密度·稀疏到稠密

• 前序问题：在「可验证标注极其稀缺」的后训练场景下，主流做法（在部署模型本身上跑 GRPO）忽视了一个奖励密度原则：稀疏的序列级奖励应该用在能产生有效探索的强模型上，而稠密的 token 级奖励才适合把行为压缩进小模型——这一直觉对生成模型的 RL 对齐同样关键
• 本文贡献：提出 Sparse-to-Dense 奖励分配原则：把宝贵的可验证数据先「上游」给强 teacher 跑 GRPO 做探索，再以稠密蒸馏的形式「下游」灌给小学生，最后在学生侧再补一段稀疏 RL；具体配方为 forward-KL warmup → OPD on-policy → 学生侧 GRPO 的三段桥
• 实验效果：在 Qwen3-1.7B 学生固定的前提下，先在 8B teacher 上 RL 再蒸馏，全面优于直接在学生上 GRPO；学生侧后续 GRPO 把 MATH 从 75.4% 提升到 78.5%，比 replay baseline 高 2.8 分，AIME 端点也最强
• 批判点评：「奖励密度」的视角让 GRPO 与 OPD 不再对立而成同一光谱的两端，对资源紧张团队的实践指导价值很高；但结论建立在数学这一可验证任务上，对图像/多模态生成等弱验证任务能否平移仍待验证

趋势观察

1. 视频扩散从「少步」走向「任意步」 — AnyFlow 把蒸馏目标从端点一致性升级到任意区间的 flow map，叠加 on-policy 反向模拟，让一个学生模型在 1/4/16/32 步上都呈现良性 scaling——少步视频生成第一次有了真正的「test-time 预算自由度」
2. 像素扩散借势潜空间预训练 — AsymFlow 用 rank-asymmetric 速度参数化把高维噪声预测限制在低秩子空间，并首次跑通了「FLUX.2 klein 9B 潜空间→像素空间」的微调路径——像素扩散与潜空间扩散开始走向「初始化共享、后期分化」的新协作方式
3. VAE 不再是配角，而是产品 — Qwen-Image-VAE-2.0 把高压缩 VAE 当作独立产品打磨：Global Skip Connections + 扩展通道 + 文档专项 benchmark，承认了「VAE 决定 DiT 上限」的事实，VAE 进入「文本可读、扩散友好、推理便宜」的三维竞赛
4. 编辑模型与 reward model 同台同尺 — Edit-Compass 把「图像编辑能力」和「reward model 能力」并入同一评测套件，并把 reward model 评测从脱节场景改造成贴合 RL 实战的偏好对——前沿编辑模型的 RL 对齐第一次有了配套的统一坐标系
5. 稀疏-稠密奖励分配成为后训练新共识 — Beyond-GRPO 给出一条简单规则：稀缺可验证数据先在强 teacher 上做稀疏 RL，再以稠密蒸馏下沉到小学生，最后学生侧补稀疏 RL；这一原则同样适用于多模态生成模型的 reward 分配，正在成为下一代 alignment pipeline 的骨架

今日讨论

AnyFlow 实现了「首个任意步数视频扩散蒸馏框架——把 ODE 轨迹一次喂给学生」。你认为这种方法在实际项目中的落地价值有多大？欢迎在评论区分享你的看法！

人工智能炼丹君 整理 | 2026-05-14

更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」

每日更新 · 论文精选 · 深度解读 · 技术脉络

微信搜索 人工智能炼丹君 或扫描下方二维码关注