三个本科生，给AI生成开了倍速

当你用AI生成一张256×256的ImageNet图片时，可能没意识到背后的两难：要么像扩散模型那样慢得像挤牙膏，要么像传统归一化流模型，为了快只能在画质和架构上妥协——就像给赛车装了限速器，还拆了半个引擎。

2026年CVPR的聚光灯下，三个20岁出头的本科生拿出了破局方案：他们的BiFlow模型，把AI生成速度拉快了两个数量级，在TPU上比传统流模型快697倍，同时还把生成画质推到了流模型的新高度。更关键的是，他们砸碎了困住归一化流几十年的枷锁——那把要求“逆向必须是前向精确逆运算”的锁。

被锁死的归一化流：钥匙与锁的困局

你可以把归一化流模型想象成一套加密解密系统：前向过程是把图片“加密”成标准噪声，逆向过程是用“解密算法”把噪声还原成图片。传统流模型有个死规矩——解密算法必须是加密算法的精确逆运算，就像钥匙和锁必须严丝合缝，差一丝都转不动。

这个规矩带来了两个致命问题：一是架构被锁死，像视觉Transformer这种强大的通用架构，因为没法保证严格可逆，根本没法用；二是速度被拖慢，为了达到足够的画质，模型只能往深了堆、往宽了扩，生成时还得像自回归模型那样一步步计算，连并行加速都做不到。比如曾经的TARFlow，生成一张图得按顺序跑完全部步骤，就像用一根手指敲完一篇论文。

何恺明团队的研究一直盯着这个死穴。这次，三个本科生直接把“钥匙必须配锁”的规矩给废了。

双向解耦：让生成和加密各干各的

BiFlow的核心逻辑简单到离谱：把加密和解密彻底分开，各干各的。

前向过程依然用改进版的TARFlow，负责把图片精准转换成噪声，这部分保留了流模型训练稳定、似然估计精确的优势。关键的逆向生成过程，他们直接换了一套独立的可学习模型——不用再当加密算法的“影子”，而是自己学怎么把噪声还原成图片。就像加密用复杂的军用电码，解密却用智能翻译器，不用死记硬背密码本，只要能准确还原信息就行。

为了让这个独立的逆向模型不跑偏，他们加了三个关键补丁：

一是**隐藏层对齐：把前向过程中每一步的中间状态都拿出来当监督信号，让逆向模型的“思考过程”和前向过程对齐，就像给翻译器配了原文的草稿，保证不会译得面目全非。 二是端到端去噪**：把传统流模型生成后额外的去噪步骤，直接塞进逆向模型里，生成出来就是干净的图，省掉了额外的计算开销。 三是训练时无分类器引导：把生成引导的逻辑提前到训练阶段，不用像扩散模型那样生成时跑两次前向传播，一次就能出结果。

最狠的是，逆向模型用上了非因果的双向Transformer——所有像素可以同时计算，不用再一步步等前面的结果，生成速度直接起飞。

不止快：解锁的还有更多可能

实验数据给了最直接的证明：在ImageNet 256×256数据集上，BiFlow的FID分数达到2.39，刷新了流模型的最好成绩；采样速度比基线模型快了两个数量级，TPU上快697倍，GPU上最快也能快83倍。

更意外的是，因为双向映射的特性，BiFlow不用额外训练就能直接做图像修复和类别编辑——给一张缺了半张脸的图，它能精准补上；把猫的图改成狗，细节丝毫不乱。这在传统流模型里是不可想象的，毕竟连架构都被锁死，哪来多余的能力做拓展。

当然，它也不是完美的。目前BiFlow的逆向模型在处理更复杂的多模态数据时，训练稳定性还会波动；要适配边缘设备，还得进一步压缩模型体积。但它打开的那扇门，已经足够让人兴奋——原来生成模型不用在“快”和“好”里二选一，也不用为了数学严谨性牺牲架构的自由度。

当我们谈论AI生成的未来时，总在说更大的模型、更多的数据，却常常忘了那些被“严谨性”捆住的手脚。BiFlow的突破，本质上是给生成模型松了绑：让算法回归解决问题的本质，而不是被数学规则框死。

三个本科生的研究，也像一个信号：在AI的前沿领域，打破陈规的勇气，有时候比复杂的公式更重要。毕竟，真正的创新，从来不是在既有框架里修修补补，而是敢先问一句“为什么必须这样”。

规矩是用来打破的，不是用来守死的。