壁球与单摆：一颗小球如何砸穿扩散模型的墙壁

Rose Yu 团队 | Recursive Flow Matching (RecFM) | arXiv:2605.26535

预测明天的海浪，需要多久？

传统答案是：数小时。超级计算机跑完 Navier-Stokes 方程，输出一帧帧的涡流图。或者用扩散模型——一种新兴的 AI 方法，效果惊艳，但要生成一帧画面，得去噪五十次。像用橡皮擦慢慢擦除一张白纸上的铅笔灰，一层一层，直到图案浮现。精致，但慢。

Rose Yu 团队的新论文给出了另一个答案：一步。甚至两步行。他们造了一个叫 RecFM 的东西，把预测速度提了二十倍，误差反而降了超过百分之十五。不是魔法。是物理直觉。

一、壁球单摆：一个比喻

想象一颗壁球在两面墙之间弹跳。

初速很大，球从左边墙飞向右墙，撞墙反弹，速度衰减。再反弹，再衰减。每次碰撞，动能都在流失——部分被吸收，部分转为热。于是球的轨迹越来越短，越来越慢，最后停在某个角落。

物理学家管这个叫"壁球弹跳单摆"（wall-bouncing pendulum）。一个一维玩具模型，但足够说明一件事：同一点，可以有不同速度通过。球在某一位置 \(x\) 时，可能是第一次快速穿越，也可能是第三次慢速反弹。位置相同，速度不同，背后的"时间尺度"不同。

Rose Yu 的团队从这里借了一个洞见。

在流匹配（Flow Matching）的框架里，生成数据的过程被看作一条"流"：从纯噪声 \(x_1\) 流向真实数据 \(x_0\)。每一步有一个"速度场" \(v_\theta(x, t)\) 告诉模型"往哪走、走多快"。传统流匹配只学一条轨迹——从噪声到数据的唯一路径。

但壁球单摆告诉我们：同一个"空间点" \(x_t\)，可以有多条轨迹穿过。一条快，一条慢，一条更快。它们的时间尺度不同，但共享同一个几何约束：速度之间应该有递归关系。如果快轨迹的速度是 \(v\)，慢轨迹的速度应该是 \(\alpha v\)，其中 \(\alpha\) 是"速度保留系数"——像壁球每次撞墙后保留的速度比例。

RecFM 的核心，就是把这个递归关系塞进神经网络的训练目标里。

二、从扩散到流匹配：先搞懂这个，再谈 RecFM

2.1 扩散模型的困境

扩散模型火了好几年。Stable Diffusion、Midjourney、DALL-E——这些画画的 AI 底层都是扩散。原理简单得惊人：给一张图片加噪声，直到它变成纯雪花；然后让神经网络学会逆向去噪，从雪花恢复图片。训练目标是最小化预测噪声与实际噪声之间的均方误差。

去噪过程很慢。一个标准 DDPM 需要 50 到 1000 步。每步一次神经网络前向传播，生成一张图要算几十次。对画画来说，等几秒无所谓。但对物理模拟来说，等几十秒意味着天气预报的窗口已经关闭，海啸已经登陆。

这不是技术细节，这是物理。大气系统以分钟为尺度演化，而你生成一帧预测需要十分钟。差了两个数量级，再好的模型也派不上用场。

2.2 流匹配：换一条更直的路

2022 年，Lipman 等人发表了《Flow Matching for Generative Modeling》。这篇论文的洞见在于：扩散模型的去噪过程，本质上是一个概率流的模拟。如果把噪声分布和数据分布之间的质量输运看作一条河，那扩散模型就是用随机微分方程（SDE）的视角来描述这条河。而流匹配则换成常微分方程（ODE）的视角——给定一个速度场 \(v(x, t)\)，遵循 \(\frac{dx}{dt} = v(x, t)\)，就能让粒子从噪声位置滑到数据位置。

最简单的速度场是线性的。从噪声 \(x_1\) 到数据 \(x_0\)，中间状态 \(x_t = (1-t)x_0 + t x_1\)。速度就是 \(v^* = x_1 - x_0\)，恒定不变。神经网络只需要学会预测这个速度。

流匹配的好处：

一，理论干净。不需要马尔可夫链的假设，不需要变分下界。训练就是回归——给定 \(x_t\)，预测 \(x_1 - x_0\)。简单直接。

二，采样灵活。ODE 求解器不限于固定的步数。你可以用一步欧拉走到底，也可以用四阶 Runge-Kutta 多步逼近。步数与模型分离——这是流匹配相比扩散模型的结构性优势。

三，与最优传输的联系。当速度场是线性插值时，路径就是最优传输的直线路径。这意味着模型在理想情况下会学到"最直"的生成路径。

但问题还在。标准流匹配仍然依赖多步采样来减小离散化误差。一步走到底？误差会爆炸。因为真实速度场不是线性的，尤其在数据分布复杂的地方，曲率很大。用一步线性近似，等于用直线逼近一条弯弯曲曲的河，必然偏离。

2.3 少步生成：三种思路

学术界一直在探索少步扩散/流匹配。大概有三条路线：

蒸馏路线。训练一个快学生模仿慢老师。一致性模型（Consistency Models）是代表，用 " consistency function" 让不同时间点的预测保持一致。思路清晰，但容易平滑掉高频细节——学生太急于毕业，把老师的微妙笔触全丢了。

采样器路线。不碰训练，只换采样。DPM-Solver++、DPM-Solver-3、UniPC 等，用高阶数值方法来逼近 ODE 路径。思路是"更聪明的积分"，在同样的步数内获得更高精度。但步数少了（比如 4 步），精度仍然有极限。

训练路线。直接训练出一步/少步能用的模型。Shortcut Models、MeanFlow 是代表。在训练目标里加入"一致性约束"，让模型天生适合少步采样。RecFM 属于这一类，但做法不同。

三、递归流匹配：把一条河变成一族河

RecFM 的解决思路是：既然一条路径不够，那就造一族路径。

3.1 核心思想

想象你站在河岸上。主河道是直的，从 \(A\) 到 \(B\)。但还有支流——从 \(A\) 到 \(A\) 和 \(B\) 的中点，从 \(A\) 到 \(1/4\) 处，等等。所有支流在同一点交汇。如果每一条支流的速度都满足同一个递归关系，那它们就像壁球单摆里不同"时间尺度"的轨迹，共享同一个物理规律。

具体来说，RecFM 定义了一个速度网络 \(v_\theta(x, t, \alpha)\)，其中 \(\alpha\) 是"尺度参数"。\(\alpha=1\) 对应主轨迹（从噪声到完整数据）；\(\alpha<1\) 对应次级轨迹（从噪声到部分数据）。

3.2 数学结构

对于递归深度 \(D\)，RecFM 构造 \(D\) 条轨迹，共享同一个空间点 \(x_t\)：

第 \(i\) 条轨迹的时间被重缩放：

关键约束：次级轨迹的速度必须是主轨迹速度的缩放版本——

这个约束在训练时通过两个损失函数来实现：

1. 轨迹监督损失 \(L_{\text{traj}}^{(i)}\)：让每条轨迹的速度匹配其对应的目标速度 \(\alpha^{(i)} v^*\)
2. 跨尺度一致性损失 \(L_{\text{cons}}^{(i)}\)：让次级轨迹的速度等于主轨迹速度的缩放版本

总损失：

\(\lambda\) 是一个超参数，控制一致性约束的强度。论文发现 \(\lambda=1\) 时效果最好。

3.3 为什么这能工作？

从理论上，RecFM 证明了全局最优解满足一个重要的"一致性条件"：

这个条件约束了速度场的时间变化率 \(\partial_t v\)。而在欧拉采样的误差界里，误差正比于速度场的"加速度"（时间导数与空间导数的组合）。约束了加速度，就收紧了误差界。用壁球单摆的话说：如果不同尺度的轨迹在共享点上"达成一致"，那神经网络学到的速度场就"更平"，用更少的步数就能逼近真实路径。

论文还证明了次级轨迹保持边际分布：从 \(\alpha=0.5\) 的轨迹上采样，得到的分布正好是 \(p_{0.5}\)——即主轨迹走到一半时的分布。这意味着多尺度结构不是装饰，而是真正参与了概率路径的构建。

3.4 训练算法的直觉

训练时，每次迭代采样一个数据点 \(x_0\)、一个噪声点 \(x_1\)、一个时间 \(t \sim U(0,1)\) 和一个尺度 \(\alpha \sim U(t,1)\)。然后计算共享点 \(x_t\)。

对 \(i=1\) 到 \(D\)：

• 计算 \(\alpha^{(i)} = \alpha^{i-1}\)
• 计算重缩放时间 \(\tau^{(i)} = t / \alpha^{(i)}\)
• 让网络预测速度 \(\hat{v}^{(i)} = v_\theta(x_t, \tau^{(i)}, \alpha^{(i)})\)
• 监督它：\(\hat{v}^{(i)}\) 应该接近 \(\alpha^{(i)} (x_1 - x_0)\)

对 \(i=2\) 到 \(D\)：

• 约束它：\(\hat{v}^{(i)}\) 应该接近 \(\alpha^{(i)} \hat{v}^{(1)}\)

两个损失相加。主轨迹学"从噪声到数据"；次级轨迹学"从噪声到部分数据"，并且速度必须与主轨迹成比例。这就是"一致性"的数学化身。

关键点：尺度参数 \(\alpha\) 在训练时可以任意采样。这给了训练很大的自由度，相当于在条件空间（\(t\) 和 \(\alpha\) 的配对）里做了数据增强。每个训练点 \(x_t\) 不再只有一个回归目标，而是有 \(D\) 个目标。梯度信号更丰富，模型学得更扎实。

四、实验结果：一步、两步、二十倍

论文在三个科学数据集上测试了 RecFM。三个数据集代表了三种不同的物理系统：真实世界气候、模拟流体、确定性方程。

4.1 海表温度（SST）：真实世界的不完美

真实世界数据。60×60 的经纬度网格，1982 到 2021 年的每日温度。任务是：给定一天的温度场，预测未来七天。

这是三个数据集里"最脏"的。真实世界有噪声、有缺失、有异常值。气候系统的混沌性意味着长期预测本质上不可行——但短期预测（7天）是有意义的。

RecFM 一步（1-step）的结果：CRPS 0.217，MSE 0.162。对比：

• DDPM（50 步）：CRPS 0.246，MSE 0.177
• MCVD（50 步）：CRPS 0.216，MSE 0.161
• DYffusion（50 步）：CRPS 0.224，MSE 0.173
• VideoPDE（50 步）：CRPS 0.216，MSE 0.162，但耗时 19.75 秒
• RecFM（1-step）：0.43 秒

速度提升约 45 倍（相对于 VideoPDE），或 20 倍（相对于扩散基线平均）。精度与最好的多步方法持平。在真实世界数据上，一步生成能做到这个精度，说明多尺度一致性约束确实把模型"教好了"——它不只是快，而是又快又准。

SSR（Spectral Skill Ratio）是另一个指标，衡量预测频谱与真实频谱的匹配度。理想值是 1。RecFM 一步的 SSR 是 0.984，两步是 1.004。几乎完美。这意味着 RecFM 不仅预测对了"均值"，还预测对了"波动"——温度场的空间结构被保留得很好。

4.2 Navier-Stokes 流体：模拟的混沌

模拟数据。221×42 的网格，三个通道（速度 \(u\)、速度 \(v\)、压力 \(p\)）。自回归预测，每次推 16 帧。这是经典的流体动力学问题——涡旋、湍流、能量级联。Navier-Stokes 方程是混沌的，微小扰动会导致完全不同的流场。所以这是"可预测"但"难预测"的——模型需要学会方程的统计规律，而不是记忆特定轨迹。

RecFM 一步：CRPS 0.031，MSE 0.0064。对比：

• VideoPDE（50 步）：CRPS 0.033，MSE 0.0068，耗时 72.64 秒
• Vanilla FM（5 步）：CRPS 0.036，MSE 0.0076，耗时 6.91 秒
• RecFM（1-step）：1.59 秒，且 CRPS 更低

比 VideoPDE 快了约 45 倍，比 Vanilla FM 也快了 4 倍以上。MSE 从 0.0076 降到 0.0064，降幅约 15.8%。

在流体上，RecFM 的优势尤其明显。因为流体的速度场是连续的、平滑的，但涡旋结构是局部化的。多尺度一致性训练让模型同时学会了"大尺度流动"和"小尺度涡旋"——主轨迹负责整体趋势，次级轨迹负责局部细节。一步生成就能同时捕捉两者。

4.3 Helmholtz 阶梯方程：确定性的极致

解析声学散射。1024×256 的网格，纯周期时变。这是三个数据集里最"确定"的——方程已知，没有噪声。输入和输出之间有严格的数学关系。如果模型能学会这个关系，它就能做到近乎完美。

RecFM 一步：CRPS 0.0034，MSE 4.2e-5。对比：

• VideoPDE（50 步）：CRPS 0.026，MSE 5.6e-4
• Vanilla FM（5 步）：CRPS 0.030，MSE 6.5e-4
• RecFM（2-step）：CRPS 0.0027，MSE 2.7e-5

这个差距大到离谱。RecFM 一步比 VideoPDE 快了约 40 倍，MSE 低了一个数量级。在确定性系统上，少步采样的优势被放大到极致。因为系统本身没有随机性，模型的误差完全来自近似。多步采样反而引入更多误差（每步的预测误差累积），一步直接走到底反而最准。

4.4 图像生成：不只是物理

为了证明 RecFM 不是只能做科学模拟，论文在 ImageNet-256 上训练了 RecFM-XL（675M 参数，160 epoch）。

• 128 步采样：FID 2.53
• 16 步采样：FID 2.49
• 8 步采样：FID 3.22

作为对比：

• Shortcut Models（128 步，250 epoch）：FID 3.8
• DiT-XL（500 步，640 epoch）：FID 2.27
• SiT-XL（250 步，640 epoch）：FID 2.06

RecFM 在 16 步时就达到了 FID 2.49，与 SiT-XL 的 250 步接近。而且训练 epoch 只有 160，不到 Shortcut Models 的三分之二。这意味着 RecFM 的"多尺度一致性"训练框架不仅提高了推理效率，也改善了训练效率——一致性损失充当了"数据增强"，在条件空间（\(t\) 和 \(\alpha\) 的配对）里制造了更多监督信号，让模型学得更快。

五、消融实验：什么在起作用？

5.1 \(\lambda\) 的影响

一致性权重 \(\lambda\) 控制跨尺度约束的强度。论文在 Navier-Stokes 上做了消融：

没有一致性约束（\(\lambda=0\)），RecFM 退化成普通的多轨迹回归，精度明显差。一致性约束太强（\(\lambda=10^6\)），模型过拟合到约束上，性能崩溃。\(\lambda=1\) 是甜点。

这个消融很有说服力。它证明了"一致性"不是可有可无的装饰品，而是 RecFM 的核心机制。没有它，模型就是一堆独立轨迹的缝合；有了它，模型才变成一个有物理结构的统一体。

5.2 递归深度 \(D\) 的影响

\(D=2\) 已经够用。加一条第三级轨迹，精度几乎不变，说明物理上最关键的一致性已经由两条轨迹捕获。但 SSR 从 0.959 跳到 1.091，说明深一点的递归能改善"谱比率"（衡量频率分布匹配度的指标）。

5.3 推理步数的影响

一个反直觉的发现：增加推理步数反而可能降低性能。

在物理模拟中，系统是确定性的。多步采样意味着多次累积误差——每一步的神经预测都不是完美的，误差会叠加。RecFM 一步直接走到底，避免了误差传播。两步在大多数情况下也还好，但超过两步，性能开始下降。这与图像生成不同（图像生成中多步采样通常改善质量），说明物理模拟的"确定性"带来了新的优化空间：一步生成可能是最优的。

这个发现对实际部署有重要意义。如果你用 RecFM 做实时流体模拟，别贪多——一步就够。加步骤只会增加误差和延迟，没有收益。

六、与现有方法的对比：RecFM 站在哪里？

论文的实验设计里，有一个值得注意的选择：主要对比对象是 VideoPDE，而不是 Shortcut Models 或 DPM-Solver++。

VideoPDE 是 2025 年的最新工作，用分层视频修复 Transformer 做 PDE 求解，与 RecFM 共享 HV-DiT 骨干架构。比较公平。但 VideoPDE 需要 50 步采样，RecFM 一步就打平了——这就是 20 倍提速的来源。

那为什么不和 Shortcut Models 比？论文在附录 H 里做了对比。Shortcut Models 是 Frans et al. 2024 年的工作，核心也是"区间一致性"——让不同时间点的预测相互一致。RecFM 和它的区别：

• Shortcut Models 在静态生成（图片）上设计，需要 warm-up 阶段训练不稳定；
• RecFM 的尺度参数 \(\alpha\) 可以任意采样，不需要特殊 warm-up，训练更稳定；
• RecFM 的"多尺度"是递归的，而 Shortcut Models 的"多步"是平行的。

在 ImageNet 上，RecFM 16 步 FID 2.49，Shortcut Models 128 步 FID 3.8。差距明显。

那和 DPM-Solver++、LCM 这些专门的少步扩散采样器比呢？论文没有直接对比。原因可能是：这些采样器是"后处理"——在已训练好的扩散模型上换采样器，不改变训练过程。而 RecFM 是训练方法，直接训练出能一步采样的模型。两者是不同赛道。RecFM 的 20 倍提速，主要是对比 VideoPDE 这种同类的"多步物理模拟器"。

还有一个论文没有正面回答的问题：训练成本。

RecFM 每次训练迭代要计算 \(D\) 条轨迹的损失，加上 \(D-1\) 个一致性损失。一次迭代的前向传播次数大约是 Vanilla FM 的 \(D\) 倍。但论文指出，训练稳定性更好——因为一致性损失充当了数据增强，收敛更快。在 Navier-Stokes 上，RecFM 用更少的函数评估次数（NFE）就达到了更低的验证误差。ImageNet 上，160 epoch 就能超越 Shortcut Models 250 epoch 的效果。综合来看，训练成本可能更高（每次迭代），但收敛更快，总训练时间未必更长。不过论文没有给出精确的 GPU 小时数，这是一个需要进一步验证的点。

七、物理直觉的落地：单摆不是比喻，是结构

论文反复强调"壁球单摆"的物理直觉。但直觉和数学之间有多远？

答案是：不远。壁球单摆的速度缩放关系 \(v^{(i+1)} = \alpha v^{(i)}\) 被直接转化为一致性损失。更深层地，单摆的"碰撞衰减"对应了流匹配的"离散化误差"——每次碰撞损失的能量，对应了欧拉步采样时偏离真实路径的误差。RecFM 的"拉直"不是比喻：一致性条件强制速度场的时间导数被约束，这在数学上等价于让 ODE 路径的曲率更小，从而用更少的欧拉步就能逼近。

当然，论文也承认，这种物理直觉的"适用范围"是受限的。壁球单摆是一维、分段线性的。真实的物理系统（Navier-Stokes）是非线性、高维、混沌的。把一维玩具的缩放关系搬到高维流形上，是一种"类比"而非"严格对应"。但正如费曼所说：物理学的进步，往往来自一个好比喻的精确化。RecFM 的贡献，不是证明了一维单摆和高维流形之间的同构，而是证明了这个类比在训练目标中的有效嵌入——通过一致性损失，物理直觉变成了可优化的数学约束。

八、局限与未来

RecFM 不是万能的。

第一，它目前只在时空预测任务上验证。对于纯静态生成（如无条件图像生成），RecFM 的 ImageNet 结果虽然不错，但还没有超越 DiT/SiT 的极限。多尺度一致性在"时序"数据上更有优势，因为时序数据天然有"尺度"（时间分辨率）。

第二，递归深度 \(D\) 的选择。论文用了 \(D=2\) 和 \(D=3\)。更大的 \(D\) 是否会更好？理论上，更深的递归能提供更多的尺度，但计算成本线性增长。\(D=3\) 的结果已经饱和，说明实际收益存在边际递减。

第三，误差指标。论文主要用 MSE、CRPS 和 SSR。这些指标衡量的是"预测分布与真实分布的匹配程度"。但在物理模拟中，人们同样关心守恒量——能量是否守恒、动量是否守恒、质量是否守恒。论文在附录 F 里对比了 PBFM（一种显式加入 PDE 残差约束的方法），发现 RecFM 在动能精度（KE Accuracy）上略逊于 PBFM，但在速度和通用性上胜出。这是一个 trade-off：RecFM 不依赖已知方程，所以适用于纯数据驱动的场景；PBFM 需要方程，所以精度更高。RecFM 在物理守恒性上是否足够好？这个问题取决于应用——对天气预报来说，也许够用；对核反应堆模拟来说，可能不够。

第四，训练开销。论文没有给出 GPU 小时的精确数字。虽然收敛曲线显示 RecFM 收敛更快，但每次迭代的计算量更大。如果总训练成本是 Vanilla FM 的 2-3 倍，那推理快 20 倍才"划算"。如果总训练成本是 10 倍，那对于需要频繁重训练的场景（如在线学习），RecFM 的优势就不明显了。

九、结语：一个更好的问题

RecFM 最有趣的地方，不是它做了什么，而是它问了一个什么问题。

过去的加速思路：要么"蒸馏"——训练一个快学生模仿慢老师；要么"设计更好的采样器"——在已有模型上换采样策略。RecFM 的思路不同：它问的是，训练过程中能不能直接教模型"少步生成"？

答案是：能。方法不是更聪明的采样，而是更聪明的训练目标——让模型在训练时同时看到多个尺度的任务，并强制它们相互一致。就像学钢琴时，老师让你同时练慢速和快速版本，并确保指法一致。练完之后，你弹快版不会出错——因为慢版已经帮你纠正了每一个偏差。

这就是 RecFM 的精髓。它不是一台更快的引擎，而是一个更好的训练方法。壁球单摆不是装饰品，而是结构。递归不是技巧，而是物理规律的数学回声。

Rose Yu 团队的工作一贯如此：从物理的直觉出发，把直觉变成可训练的约束。之前她用几何代数做 Transformer，这次用壁球单摆做流匹配。下一条，也许是量子力学的某种守恒律。谁知道呢。但有一条是确定的：物理不会辜负那些真正听懂它的人。

核心参考文献

1. Huang, J., Xu, S., Vadgama, S., & Yu, R. (2026). Recursive Flow Matching. arXiv preprint arXiv:2605.26535. https://arxiv.org/abs/2605.26535

2. Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nickel, M., & Le, M. (2022). Flow Matching for Generative Modeling. arXiv preprint arXiv:2210.02747. https://arxiv.org/abs/2210.02747

3. Li, E., Wang, Z., Huang, J., & Park, J. J. (2025). VideoPDE: Unified generative PDE solving via video inpainting diffusion models. arXiv preprint arXiv:2506.13754. https://arxiv.org/abs/2506.13754

4. Frans, K., Hafner, D., Levine, S., & Abbeel, P. (2024). One step diffusion via shortcut models. arXiv preprint arXiv:2410.12557. https://arxiv.org/abs/2410.12557

5. Rühling Cachay, S., Zhao, B., Joren, H., & Yu, R. (2023). Dyffusion: A dynamics-informed diffusion model for spatiotemporal forecasting. Advances in Neural Information Processing Systems, 36, 45259-45287. https://arxiv.org/abs/2211.01177

#论文 #RoseYu #RecFM #流匹配 #扩散模型 #科学模拟 #物理模拟 #小凯