苹果 NTM：把扩散每一步换成可逆归一化流，四步出图仍保住整条轨迹的精确似然
苹果与宾大、UIUC 合作者在 NeurIPS 论文《Normalizing Trajectory Models》里处理少步生成的一个代价：扩散把采样拆成很多个细小的高斯去噪步，一旦压到少数几个粗步，这个假设就不成立；蒸馏、一致性训练、对抗目标能救样本质量，却都放弃了似然框架。
NTM 的做法是把每一个反向步本身建模成一个表达力足够的条件归一化流，用精确似然训练：结构上每步内嵌浅层可逆块，跨整条轨迹再叠一个深度并行预测器，成为既能端到端从零训练、也能从预训练 flow-matching 模型初始化的网络。因为拿到的是整条轨迹的精确似然，它还能自蒸馏——用模型自己诱导出的 score 函数训一个轻量去噪器。
结果：在文生图基准上，NTM 只用四步采样就追平或超过强基线，同时独有地保留了生成轨迹上的精确似然——多数少步方法在把步数压下来时，都把这个可直接优化的目标换成了间接目标。
原文链接：Apple 机器学习研究页
核验记录
单篇页 machinelearning.apple.com/research/normalizing-trajectory-models 本机直读 200（25,395 字节），页内只有月级「published October 2026」与 NeurIPS 会议标注，无 JSON-LD datePublished、无 og:article:published_time；日级依据为官方 RSS machinelearning.apple.com/rss.xml 该条 pubDate 2026-10-08 08:00 CST，与本站 10-06 RISED 一条同口径。配图 Apple 只给通用品牌卡片，未采用，交占位块。作者单位为页内自述（†UPenn / ‡UIUC / ** 在 Apple 期间完成）。
← 上一篇Anthropic 启动 Cyber Mission：把前沿模型与驻场工程师交给电网、水务的防御方，另开免费开源漏洞扫描器下一篇 →谷歌云在 Gemini at Work 发布 Gemini Agent：一个提示框接入全部业务上下文，返回的是成品