9月28日，一篇题为《统一一步视觉生成分布训练》的论文出现在预印本平台上，作者来自清华大学、复旦大学、西安交通大学、北京大学、浙江大学、DeepSeek、字节跳动Seed、加州大学伯克利分校与北京智源人工智能研究院等机构。论文提出的MGFlow，即混合梯度流，试图给出一套统一的理论框架，把此前各自为战的分布训练方法收拢到同一张图纸上，并据此训练出只需一次前向计算就能出图的一步生成模型。对已经训练完成的生成模型做后训练微调，就能把多步模型改造成高性能的一步生成器。
敲一句提示词，模型要跑几十步迭代，一点点把噪声擦掉，图像才慢慢浮现。效果很好，但代价摆在明面上：速度慢、算力开销大。无论研究者、开发者还是普通用户，都希望模型跑一次就吐出成品。这件事之所以难，不在于网络本身不够强，而在于监督信号的组织方式。早期的一步模型很容易崩坏，表现为细节糊掉、物体种类丢失、色彩错乱，业内把这类现象统称为模态崩溃。
传统做法是让生成的图像与某一张真实图像在像素上对齐，一对一地监督。这条路在一步生成里行不通，因为一次前向计算无法同时满足所有像素的约束。分布训练换了一套思路：把图像扔进一个冻结的编码器，变成高维空间里的点，不再追究单张图好不好，而是让一整批生成图像的点云分布尽量贴近真实图像的点云分布。这是群体层面的监督，不依赖一对一的标定，因而更适合极少的采样步数。
值得说明的是，分布训练并不是要否定扩散模型的迭代过程，而是换一种监督方式来组织训练。像素级的一对一监督在极少步数下几乎无法满足，因为它要求每一次计算都同时命中所有像素的取值；而分布层面的监督只要求生成样本的整体分布贴近真实分布，这给模型留出了在群体层面逼近目标的余地，也让一步或两步生成第一次有了相对稳定的训练路径。
在分布训练这条线上，此前有两个代表性方案。FD-Loss用一个大的高斯分布罩住全部特征点，计算简单、稳定好用，缺点是只能抓住全局均值与整体方差，猫、狗、飞机、花这些子模式全被揉进同一个高斯里，细粒度信息被抹平。另一条路叫高斯核漂移，落到每一个样本上，用核函数让样本之间互相吸引与排斥，能捕捉细碎的局部结构，代价是丢失全局协方差信息，还容易踩进模态崩溃的坑。
MGFlow的核心贡献是把这两者解释为同一框架下的不同选择。论文把分布训练拆成四个零件：采样样本、冻结编码器、分布模型与差异度量。FD-Loss相当于分布模型选单个高斯、差异度量选最优传输；高斯核漂移相当于分布模型选样本核密度、差异度量选KL散度。既然两者共用一套骨架，中间档位就可以被制造出来。MGFlow选用高斯混合模型，用一堆小高斯拼在一起拟合真实特征，每个组件负责一部分子模式，粒度可以自由调节，在全局矩与样本级表示之间取得平衡。
一个直觉是，只要高斯混合的组件足够多，模型的表达能力足够强，问题就该迎刃而解。实验给出的答案是否定的。当各个子模式分得很开时，会出现分数失明现象：即便生成结果里某一类物体数量严重偏少，梯度更新信号也会变得微弱，算法看不到这个偏差，不会主动把样本补回来，模态崩溃依旧发生。问题根源不在描述能力，而在样本分配与组件之间缺少硬性约束。
研究团队用两块设计来补这个洞。第一块是线性规划质量约束分配：先用真实图像离线训练一套固定不动的高斯混合，每个组件天然占有固定权重，代表这类模式本该占的比例；训练每一批生成样本时，通过解一个线性规划，强制分给每个组件的样本总质量严格等于真实世界的权重。第二块是配对组件更新：生成侧的第k个组件只对齐真实侧的第k个组件，做组件对组件的定向修正，而不是笼统的全局场。再配合分层多分辨率策略，同时启用K等于1、4、16等多种组件配置，粗粒度的全局约束与细粒度的局部约束一起生效。
实验分成两块：ImageNet类条件生成与基于FLUX.2 4B的文生图。在ImageNet 256乘256的评测中，MGFlow明显超过FD-Loss基线，论文报告在相关配置上取得领先结果。更有冲击力的是文生图部分。原版FLUX.2 klein需要四步迭代，GenEval分数为0.794，PickScore为21.85；团队用MGFlow做后训练，只训练一千步，得到纯一步版本，开启图文联合匹配后，GenEval冲到0.900，PickScore达到21.98，一步生成的成绩超过了原来的四步模型。
这项工作的启示在于，生成领域的进步未必来自把网络堆得更大。这篇论文里主干模型完全没有改动，所有变化都落在损失函数与分布匹配逻辑上，属于典型的后训练改造。代价同样存在：组件数量K不能无限加大，否则计算开销上升，统计估计也会变得不稳定，实际工程需要在表达能力与算力之间权衡。但方向已经清晰，一步生成不是要取代迭代式扩散，而是打开另一扇门，在低延迟交互、端侧部署与大批量快速渲染这些场景里，单步推理的实用价值很高。