AnyFlow：基于同策略流图蒸馏的任意步视频扩散模型

少步视频生成在一致性蒸馏（consistency distillation）的推动下取得了显著进展。然而，当测试时分配更多的采样步数时，一致性蒸馏模型的性能往往会下降，这限制了它们在任意步数（any-step）视频扩散中的有效性。这种局限性源于一致性蒸馏将原始的概率流 ODE 轨迹替换为一致性采样轨迹，从而削弱了 ODE 采样在测试时理想的缩放行为。为了解决这一问题，我们推出了 AnyFlow，这是首个基于流映射（flow maps）的任意步数视频扩散蒸馏框架。AnyFlow 不再只针对少数固定的采样步数进行模型蒸馏，而是优化完整的 ODE 采样轨迹。为此，我们将蒸馏目标从端点一致性映射 (z_{t} 映射到 z_{0}) 转向任意时间间隔内的流映射转换学习 (z_{t} 映射到 z_{r})。我们还进一步提出了流映射后向模拟（Flow Map Backward Simulation），它将完整的欧拉展开分解为快捷的流映射转换，从而实现高效的在线策略（on-policy）蒸馏，并减少测试时的误差（即少步采样中的离散化误差和因果生成中的曝光偏差）。在 1.3B 到 14B 参数规模的流式和因果架构上进行的广泛实验表明，AnyFlow 在少步制度下达到了与一致性模型相当或更优的性能，并能随采样步数预算增加而提升表现。