机器之心报道

编辑：Panda

前些天，一项「AI 传心术」的研究在技术圈炸开了锅：机器不用说话，直接抛过去一堆 Cache 就能交流。让人们直观感受到了「去语言化」的高效，也让机器之心那条相关推文狂揽 85 万浏览量。参阅报道《用「传心术」替代「对话」，清华大学联合无问芯穹、港中文等机构提出 Cache-to-Cache 模型通信新范式》。

事实上，这还不是近期唯一一项此类研究，NeurIPS 2025 Spotlight 论文《Thought Communication in Multiagent Collaboration》提出了 Thought Communication（思维沟通）概念，让智能体在内部层面传递潜在思维（latent thoughts），实现类似心灵感应的合作。参阅《让大模型学会「心灵感应」：基于思维沟通的多智能体合作范式来了》。

如果说前两项研究是在让 AI 摆脱「语言」的束缚，那么今天这项研究则更进一步：它试图让 AI 摆脱对「数据」的依赖。

来自麻省理工学院 Tommi Jaakkola 和纽约大学谢赛宁两个团队的一项联合研究又提出了一种新方法，无需数据，仅从先验分布中采样即可实现 flow map 蒸馏，并且取得了非常出色的性能表现。

这听起来简直像是武侠小说里的「闭关修炼」：不看任何武林秘籍（数据集），仅凭内功心法（先验分布）和宗师的指点（教师模型），就在极短时间内练成了绝世武功。

这篇论文的共一作者为 MIT 四年级博士生 Shangyuan Tong 和纽约大学一年级博士生 Nanye Ma。它不仅刷新了 ImageNet 的生成质量纪录（1-NFE 下 FID 达到 1.45），更重要的是，它向我们展示了一个隐约可见的未来：摆脱对显性数据（如文本、图像）的依赖，转而挖掘和利用模型内部表征或先验分布，正在崛起成为 AI 研究的一个重要新范式。

论文标题：Flow Map Distillation Without Data论文地址：https://arxiv.org/abs/2511.19428v1项目页面：https://data-free-flow-distill.github.io/

问题是什么？

我们知道，扩散模型和流模型已经彻底改变了高保真合成领域。

然而，它们需要对常微分方程（ODE）进行数值积分，而这会导致严重的计算瓶颈。

为了解决这一延迟问题，flow map 提供了一种有原理依据的加速途径。它可直接学习 ODE 的解算子，能够在生成轨迹上进行大幅度的「跳跃」，从而绕过繁琐的迭代求解过程。

虽然 flow map 可以从头开始训练，但还有一种更灵活的方案：蒸馏强大的预训练「教师模型」。

这种模块化策略可以实现对最先进的模型的压缩。

该团队观察到，目前主流且最成功的 flow map 蒸馏方法通常是基于数据的，即依赖外部数据集的样本来训练「学生模型」。

但他们认为，这种被默许的依赖关系引入了一个根本性的风险：教师-数据不匹配。

如图 1 所示，静态数据集可能无法完整或准确地表征教师模型真实的生成能力。

这种差异在实际应用中屡见不鲜：例如，当教师模型的泛化能力超出了其原始训练集时；当后期微调导致教师模型的分布偏离了原始数据时；又或者当教师模型的私有训练数据根本无法获取时。在这些情境下，如果强行要求学生模型在不匹配的数据集上拟合教师模型，将从根本上限制其潜力。

通俗来说，你可以把「教师模型」想象成一位不仅画技高超，还通过后期进修（微调）掌握了独门绝技的艺术大师。而我们手中的「数据集」就好比是他多年前出版的一本旧画册，甚至是市面上随便找来的一本普通参考书。

所谓的「教师-数据不匹配」，就是指这位大师现在的水平和风格（教师模型的真实生成分布）已经远远超出了那本旧画册的范畴（静态数据集）。如果强行让徒弟（学生模型）死盯着这本过时或甚至不对版的画册去学，而不是直接去观察大师现在是如何下笔的，那么徒弟不仅学不到大师现在的真本事，甚至会被画册里的错误误导，从而从根本上限制了其潜力。

解决方案它来了！

幸运的是，这种不匹配并非不可避免。

该团队敏锐地观察到，尽管教师模型的生成路径可能在中间过程中偏离静态数据集，但根据定义，它们在起点处始终锚定于先验分布（Prior Distribution）。

如图 1 所示，先验分布是唯一能保证对齐的基点：它既是教师模型生成的共同起点，也是所有加噪过程的终点。

这一发现带来了一个问题：对数据的普遍依赖真的是必须的吗？

基于此，该团队提出了一种范式转变：可以通过仅从先验分布进行采样，构建一种稳健的、无需数据的替代方案，从而在设计上（by construction）彻底规避「教师-数据不匹配」的风险。

为了践行这一理念，他们引入了一个有原理依据的「预测-校正」（Predictor-Corrector）框架，旨在纯粹从先验分布出发来追踪教师模型的动态。

预测阶段（Prediction）：该方法首先获取一个先验样本和一个标量积分区间，预测流应当「跳跃」到的位置。团队从理论上证明，当模型的生成速度（Generating Velocity，即模型沿自身预测路径行进的速率）与教师模型的瞬时速度完全一致时，即可达到最优状态 。这使得学生模型宛如一个自主的 ODE 求解器，完全基于自身的演化预测来驾驭教师模型的向量场。校正阶段（Correction）：然而，正如所有的自回归数值求解器一样，这种自我引用的预测过程容易导致误差累积，使轨迹逐渐偏离 。为缓解这一问题，团队提出了一种基于分布匹配的校正机制：将模型的加噪速度（Noising Velocity，即由学生模型生成的分布所隐含的加噪流边缘速度）强制拉回，使其与教师模型重新对齐。这一机制充当了稳定器的角色，确保了生成的边缘分布始终忠实于教师模型。

他们将该方法命名为FreeFlow，以强调其核心特征：一个完全无需数据的 flow map 蒸馏框架。

实验证明有效性

该团队在 ImageNet 上进行了广泛的实验，验证了该方法的有效性。

通过从 SiT-XL/2+REPA 教师模型进行蒸馏，FreeFlow 刷新了最佳成绩：在仅需 1 次函数评估（1-NFE）的情况下，其在 256×256 分辨率下达到了惊人的 1.45 FID，在 512×512 分辨率下达到了 1.49 FID，大幅超越了所有基于数据的基准模型。

此外，利用其作为快速且一致的代理模型（proxy）的特性，FreeFlow 实现了高效的「推理时扩展」，使得在单步操作中搜索最优噪声样本成为可能。

最终，他们的研究结果证实，外部数据集并非高保真 flow map 蒸馏的必要条件：可以在完全避免「教师-数据不匹配」风险的同时，不牺牲任何性能。

他们表示，这项工作为生成模型的加速提供了更加稳固的基石，并有望推动该领域向「无数据」范式转变。

看起来，AI 正在从「向外挖掘数据」的时代，跨入「向内挖掘潜能」的新纪元。方法详情和实验细节请参阅原论文。