苹果机器学习研究团队发布Normalizing Trajectory Models（NTM），用精确似然训练的条件归一化流替代扩散模型的多步去噪，实现少步高质量生成。

NTM将每个反向步骤建模为条件归一化流，浅可逆块与深层并行网络结合，在CIFAR-10上以4步采样达到FID 3.2，较扩散蒸馏方法提升约15%。团队表示“NTM保留了精确似然框架，同时将采样步数压缩至个位数”。

该模型将少步生成与似然训练统一，为AI大模型降低推理成本提供新路径，开源生态或迎扩散架构替代方案。

来源：Apple Machine Learning Research

软盟资讯 news.softunis.com 7×24小时AI快讯