few-step

HyperFlow 是一个开源的 8 步 LoRA，它使用无数据流自蒸馏在 MiniMax-H3 中将视频生成步数从 49 步减少到 8 步，在保持质量的同时实现了显著的加速。

本文介绍了OPTD，一种用于少步扩散语言模型的、具有一致性引导自适应压缩的在策略转移蒸馏方法，在四个推理和代码生成基准上改善了质量-效率权衡。

SE(3)-MeanFlow 提出了一种在李群上进行蛋白质骨架生成的少步生成框架，将 MeanFlow 扩展到 SE(3)，采用闭式平均速度训练目标和基于修正的后训练，在减少采样步数的情况下达到或超过流匹配基线。

OPSD-V 通过使用真实长视频数据作为训练时的时间上下文，提供密集的轨迹级监督，从而增强视觉质量和运动动态，同时不改变推理机制，改进了少步自回归视频扩散模型。

提出了Flow-Map GRPO，一种用于确定性少步流图生成器的在线RL后训练框架，引入了锚定随机流图组合（ASFMC）以在不改变原始模型参数化的情况下实现随机优化。在基于FLUX的MeanFlow和sCM上的实验表明，在基于奖励的、感知的和任务级别的指标上均有改进。

一种LoRA，它适配Ideogram 4，可在仅2步且无需CFG的情况下生成高质量图像，采用新颖的连续涡轮训练方法。

阿里巴巴发布了Qwen-Image-Flash，这是一种少步蒸馏模型，用于快速、高质量的文本到图像生成和指令引导编辑，利用了数据组成、教师指导和任务混合。

Causal Forcing++提出了一种新颖的因果一致性蒸馏方法，用于逐帧自回归视频生成，在降低延迟和训练成本的同时实现了最先进的质量。