@r_de_santi: 生成模型无法发现它们无法触及的东西。我们很高兴推出 ActFlow：一个持续预训练方案…

生成模型无法发现其无法触及的领域。

我们很高兴推出 ActFlow：一种持续预训练方案，它能主动扩展流模型和扩散模型所能触及的有效设计空间。我们将此称为“可生成集合扩展”——这是针对分布外生成建模的新学习原则，也是迈向可演化搜索空间以实现科学发现的重要一步。(1/5)

生成模型不应仅仅匹配其训练数据分布，更应主动扩展至分布之外。ActFlow利用模型自身的生成表征来选择不确定的前沿样本，通过验证器进行查询，并更新模型以访问新的分布外区域。(2/5)

在小分子、类药分子、治疗性肽段和蛋白质等任务中，ActFlow显著提升了近期流模型与离散扩散模型的覆盖率–有效性。其有效覆盖范围相比递归监督微调基线方法提升最高达6倍，并在所有设定中展现出最高的多样性。(4/5)

我们将分布外生成建模重构为学习表征中的可达性问题：从模型已能生成的内容出发，通过一系列微小的局部跳跃，可以抵达哪些有效区域——即使是遥远的区域？我们正式提出这一视角，并为生成模型主动扩展超出初始覆盖范围建立统计保证。(4/5)

与杰出合作者及导师共同完成：Bruce Lee, @cristianpjensen, @KimonProto6689, @sophia_tang, Cheng-Hao Liu, @pranamanam, @yisongyue, 以及 @arkrause。(5/5)

论文：https://arxiv.org/pdf/2606.08802
网站：https://riccardodesanti.com/projects/actflow/…
代码：https://github.com/riccardodesanti/active_diffusion_models…