标签
该论文从电路复杂度视角证明，标准流匹配采样步骤无法超越恒定深度模型的表达能力，而自条件化（self-conditioning）可将表达力提升至与空间受限图灵机等价，从而实现更深的视觉序列推理。
本文介绍了untied self-conditioning以修正流匹配语言模型中的训练-推理不匹配问题，在无需重新训练的情况下，以更低的困惑度改进少步生成质量。
介绍了不动点流，一种自条件化流语言模型，将自条件化视为不动点迭代，从而能够蒸馏出几步流映射语言模型 (FMLM⋆)，在OpenWebText上优于先前工作。
本文揭示，ELF等连续扩散语言模型报告的低生成困惑度（Gen-PPL）具有误导性，因为它奖励重复；作者确定了自条件循环中的一维吸引子为根源，并提出了ACE，一种通过减去该方向来减少重复且不牺牲质量的简单修复方法。