機器之心報道

編輯：Panda

前些天，一項「AI 傳心術」的研究在技術圈炸開了鍋：機器不用說話，直接拋過去一堆 Cache 就能交流。讓人們直觀感受到了「去語言化」的高效，也讓機器之心那條相關推文狂攬 85 萬瀏覽量。參閱報道《用「傳心術」替代「對話」，清華大學聯合無問芯穹、港中文等機構提出 Cache-to-Cache 模型通信新范式》。

事實上，這還不是近期唯一一項此類研究，NeurIPS 2025 Spotlight 論文《Thought Communication in Multiagent Collaboration》提出了 Thought Communication（思維溝通）概念，讓智能體在內部層面傳遞潛在思維（latent thoughts），實現類似心靈感應的合作。參閱《讓大模型學會「心靈感應」：基于思維溝通的多智能體合作范式來了》。

如果說前兩項研究是在讓 AI 擺脫「語言」的束縛，那么今天這項研究則更進一步：它試圖讓 AI 擺脫對「數據」的依賴。

來自麻省理工學院 Tommi Jaakkola 和紐約大學謝賽寧兩個團隊的一項聯合研究又提出了一種新方法，無需數據，僅從先驗分布中采樣即可實現 flow map 蒸餾，并且取得了非常出色的性能表現。

這聽起來簡直像是武俠小說里的「閉關修煉」：不看任何武林秘籍（數據集），僅憑內功心法（先驗分布）和宗師的指點（教師模型），就在極短時間內練成了絕世武功。

這篇論文的共一作者為 MIT 四年級博士生 Shangyuan Tong 和紐約大學一年級博士生 Nanye Ma。它不僅刷新了 ImageNet 的生成質量紀錄（1-NFE 下 FID 達到 1.45），更重要的是，它向我們展示了一個隱約可見的未來：擺脫對顯性數據（如文本、圖像）的依賴，轉而挖掘和利用模型內部表征或先驗分布，正在崛起成為 AI 研究的一個重要新范式。

論文標題：Flow Map Distillation Without Data論文地址：https://arxiv.org/abs/2511.19428v1項目頁面：https://data-free-flow-distill.github.io/

問題是什么？

我們知道，擴散模型和流模型已經徹底改變了高保真合成領域。

然而，它們需要對常微分方程（ODE）進行數值積分，而這會導致嚴重的計算瓶頸。

為了解決這一延遲問題，flow map 提供了一種有原理依據的加速途徑。它可直接學習 ODE 的解算子，能夠在生成軌跡上進行大幅度的「跳躍」，從而繞過繁瑣的迭代求解過程。

雖然 flow map 可以從頭開始訓練，但還有一種更靈活的方案：蒸餾強大的預訓練「教師模型」。

這種模塊化策略可以實現對最先進的模型的壓縮。

該團隊觀察到，目前主流且最成功的 flow map 蒸餾方法通常是基于數據的，即依賴外部數據集的樣本來訓練「學生模型」。

但他們認為，這種被默許的依賴關系引入了一個根本性的風險：教師-數據不匹配。

如圖 1 所示，靜態數據集可能無法完整或準確地表征教師模型真實的生成能力。

這種差異在實際應用中屢見不鮮：例如，當教師模型的泛化能力超出了其原始訓練集時；當后期微調導致教師模型的分布偏離了原始數據時；又或者當教師模型的私有訓練數據根本無法獲取時。在這些情境下，如果強行要求學生模型在不匹配的數據集上擬合教師模型，將從根本上限制其潛力。

通俗來說，你可以把「教師模型」想象成一位不僅畫技高超，還通過后期進修（微調）掌握了獨門絕技的藝術大師。而我們手中的「數據集」就好比是他多年前出版的一本舊畫冊，甚至是市面上隨便找來的一本普通參考書。

所謂的「教師-數據不匹配」，就是指這位大師現在的水平和風格（教師模型的真實生成分布）已經遠遠超出了那本舊畫冊的范疇（靜態數據集）。如果強行讓徒弟（學生模型）死盯著這本過時或甚至不對版的畫冊去學，而不是直接去觀察大師現在是如何下筆的，那么徒弟不僅學不到大師現在的真本事，甚至會被畫冊里的錯誤誤導，從而從根本上限制了其潛力。

解決方案它來了！

幸運的是，這種不匹配并非不可避免。

該團隊敏銳地觀察到，盡管教師模型的生成路徑可能在中間過程中偏離靜態數據集，但根據定義，它們在起點處始終錨定于先驗分布（Prior Distribution）。

如圖 1 所示，先驗分布是唯一能保證對齊的基點：它既是教師模型生成的共同起點，也是所有加噪過程的終點。

這一發現帶來了一個問題：對數據的普遍依賴真的是必須的嗎？

基于此，該團隊提出了一種范式轉變：可以通過僅從先驗分布進行采樣，構建一種穩健的、無需數據的替代方案，從而在設計上（by construction）徹底規避「教師-數據不匹配」的風險。

為了踐行這一理念，他們引入了一個有原理依據的「預測-校正」（Predictor-Corrector）框架，旨在純粹從先驗分布出發來追蹤教師模型的動態。

預測階段（Prediction）：該方法首先獲取一個先驗樣本和一個標量積分區間，預測流應當「跳躍」到的位置。團隊從理論上證明，當模型的生成速度（Generating Velocity，即模型沿自身預測路徑行進的速率）與教師模型的瞬時速度完全一致時，即可達到最優狀態 。這使得學生模型宛如一個自主的 ODE 求解器，完全基于自身的演化預測來駕馭教師模型的向量場。校正階段（Correction）：然而，正如所有的自回歸數值求解器一樣，這種自我引用的預測過程容易導致誤差累積，使軌跡逐漸偏離 。為緩解這一問題，團隊提出了一種基于分布匹配的校正機制：將模型的加噪速度（Noising Velocity，即由學生模型生成的分布所隱含的加噪流邊緣速度）強制拉回，使其與教師模型重新對齊。這一機制充當了穩定器的角色，確保了生成的邊緣分布始終忠實于教師模型。

他們將該方法命名為FreeFlow，以強調其核心特征：一個完全無需數據的 flow map 蒸餾框架。

實驗證明有效性

該團隊在 ImageNet 上進行了廣泛的實驗，驗證了該方法的有效性。

通過從 SiT-XL/2+REPA 教師模型進行蒸餾，FreeFlow 刷新了最佳成績：在僅需 1 次函數評估（1-NFE）的情況下，其在 256×256 分辨率下達到了驚人的 1.45 FID，在 512×512 分辨率下達到了 1.49 FID，大幅超越了所有基于數據的基準模型。

此外，利用其作為快速且一致的代理模型（proxy）的特性，FreeFlow 實現了高效的「推理時擴展」，使得在單步操作中搜索最優噪聲樣本成為可能。

最終，他們的研究結果證實，外部數據集并非高保真 flow map 蒸餾的必要條件：可以在完全避免「教師-數據不匹配」風險的同時，不犧牲任何性能。

他們表示，這項工作為生成模型的加速提供了更加穩固的基石，并有望推動該領域向「無數據」范式轉變。

看起來，AI 正在從「向外挖掘數據」的時代，跨入「向內挖掘潛能」的新紀元。方法詳情和實驗細節請參閱原論文。