NeurIPS 2026 論文 ReSFlow 讓離散資料一步生成
被 NeurIPS 2026 接收的 ReSFlow 把類別機率經平方根對映投到球面，在 Fisher–Rao 幾何下重新配對、整流生成軌跡，使字元、二值畫素和 DNA 鹼基等離散資料只需一次模型呼叫就能生成。在二值化 MNIST 上，它一步取樣的 FID 為 5.973，接近 SFM（Statistical Flow Matching）呼叫 34 次的 5.922；
把整流從歐氏空間移到 Fisher–Rao 機率球面：一步取樣接近 SFM 34 次呼叫的品質，DNA 序列生成提速約 166 倍，並量化了傳輸成本與測地線偏差，對做離散流匹配與序列設計的研究者有用。
原標題：NeurIPS 2026｜离散数据也能一步生成？ReSFlow在统计流形上「拉直」生成路径
閱讀原文
| 評分 | 70 / 68（平均 69，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
FlowMAS 用 GFlowNet 自動學習多智慧體架構，被 NeurIPS 2026 錄用
廈門大學 ASC 實驗室的 FlowMAS 被 NeurIPS 2026 錄用：它用生成流網路（GFlowNet）把多智慧體工作流拓撲的設計變成可學習的生成問題，讓 AI 自動學出團隊的排兵佈陣。方法引入好奇心驅動與資訊引導兩個模組，在搭建每一步給中間結構發過程性獎勵，後者用資訊理論衡量多路 AI 輸出的協同與冗餘。在 6 個基準、3 種模型底座上，它比手工設計平均高 8.17 分、比自動化方法高 6.12 分；
ReGDiff 讓擴散模型生成又合理又新穎的超材料結構
維吉尼亞理工與 Meta 的研究者在 NeurIPS 2026 提出 ReGDiff，用擴散模型生成超材料體素結構，以緩解「貼著訓練資料」與「生成碎塊廢件」之間的兩難。方法分兩步：先用 RAS 把自編碼器潛空間整理成好壞可分、覆蓋均勻的形態，再在取樣時對近處已知樣本施加短程排斥。團隊還補上桁架體素資料集 MetaTruss 和五項量化指標，相比最強基線，幾何合理性平均提升 8.9%、新穎性提升 46.4%、多樣性提升 128.6%，生成 1000 個結構約 31 秒。
天津大學 FAME 入選 NeurIPS 2026 Spotlight，機器人主動建圖改用多目標探索
天津大學與合肥工業大學團隊的 FAME 方法被 NeurIPS 2026 接收併入選 Spotlight（7920 篇錄用論文中的 292 篇，約 3.7%）。它用 Conditional Flow Matching 一次生成多個探索錨點，再由 A* 路徑規劃、探索模式聚類與分層選擇挑出路線，避免只押注單一長期目標。
自迴歸擴散生成市場資料：DDPM 發散，流匹配更穩
用自迴歸擴散生成市場資料時，全連續擴散難以刻畫真實訂單流的尖峰分佈。實習生 Kavish 以 4 年美國股票事件級資料訓練模型，發現 DDPM 在 1000 步餘弦噪聲排程下不穩定，7 個連續目標中 88%–95% 的取值偏離分佈均值 8 個標準差以上，改用流匹配後開箱即可用。模型用因果掩碼 Transformer 編碼事件，事件型別頭判斷交易或 BBO 更新，價格、時間間隔等連續特徵由擴散頭生成。