NTM归一化轨迹模型
4 节点1 篇3 来源
苹果公司机器学习研究团队（Apple MLR）在NeurIPS 2026发表《Normalizing Trajectory Models》（NTM），提出一种将扩散模型去噪步骤重构为条件归一化流的新框架。传统扩散模型依赖多步高斯近似，压缩至少数几步时精度下降；现有少步方法虽快但牺牲了概率似然的可计算性。NTM通过结合浅层可逆块与深层并行预测器，在仅4个采样步骤下匹配或超越强基线性能，同时保留生成轨迹的精确似然，支持自蒸馏等基于似然的训练策略。
【背景】精确似然对于需要校准概率估计的研究应用至关重要，而不仅仅是生成看似合理的图像。
事情怎么走到这一步
论文《Normalizing Trajectory Models》首次提交至arXiv (v1)，作者包括Jiatao Gu, Tianrong Chen等，隶属Apple和UIUC。
arxiv.org ↗论文更新版本(v2)发布，修正拼写和引用，确认代码链接指向GitHub仓库 apple/ml-starflow。
arxiv.org ↗Apple Machine Learning Research官方博客正式介绍NTM，强调其在文本到图像基准测试中仅用4步即可达到或超过强基线，且保留精确似然。
machinelearning.apple.com ↗第三方媒体my2cents.ai报道指出，官方页面未提及独立于StarFlow之外的新代码库即时发布，主要关注点在于方法论突破。
my2cents.ai ↗
还没定论的部分
- NTM在更大规模数据集或更高分辨率下的扩展性表现如何？
- 除了图像生成，该框架在视频或其他序列数据上的适用性是否已验证？
- 社区对“精确似然”在实际生产环境中相对于纯质量指标的价值评估是否有共识？