AlphaFlow: Comprensión y Mejora de los Modelos MeanFlow

AlphaFlow: Understanding and Improving MeanFlow Models

October 23, 2025

Autores: Huijie Zhang, Aliaksandr Siarohin, Willi Menapace, Michael Vasilkovsky, Sergey Tulyakov, Qing Qu, Ivan Skorokhodov

cs.AI

Resumen

MeanFlow ha surgido recientemente como un marco poderoso para el modelado generativo de pocos pasos entrenado desde cero, pero su éxito aún no se comprende completamente. En este trabajo, demostramos que el objetivo de MeanFlow se descompone naturalmente en dos partes: ajuste de flujo de trayectoria y consistencia de trayectoria. Mediante análisis de gradientes, encontramos que estos términos están fuertemente correlacionados negativamente, causando conflicto de optimización y una convergencia lenta. Motivados por estas observaciones, presentamos alpha-Flow, una amplia familia de objetivos que unifica el ajuste de flujo de trayectoria, Shortcut Model y MeanFlow bajo una misma formulación. Al adoptar una estrategia curricular que transita suavemente desde el ajuste de flujo de trayectoria hasta MeanFlow, alpha-Flow desentrelaza los objetivos en conflicto y logra una mejor convergencia. Cuando se entrena desde cero en ImageNet-1K 256x256 condicionado por clase con backbones DiT estándar, alpha-Flow supera consistentemente a MeanFlow en todas las escalas y configuraciones. Nuestro modelo más grande, alpha-Flow-XL/2+, logra nuevos resultados de vanguardia utilizando backbones DiT estándar, con puntuaciones FID de 2.58 (1-NFE) y 2.15 (2-NFE).

English

MeanFlow has recently emerged as a powerful framework for few-step generative modeling trained from scratch, but its success is not yet fully understood. In this work, we show that the MeanFlow objective naturally decomposes into two parts: trajectory flow matching and trajectory consistency. Through gradient analysis, we find that these terms are strongly negatively correlated, causing optimization conflict and slow convergence. Motivated by these insights, we introduce alpha-Flow, a broad family of objectives that unifies trajectory flow matching, Shortcut Model, and MeanFlow under one formulation. By adopting a curriculum strategy that smoothly anneals from trajectory flow matching to MeanFlow, alpha-Flow disentangles the conflicting objectives, and achieves better convergence. When trained from scratch on class-conditional ImageNet-1K 256x256 with vanilla DiT backbones, alpha-Flow consistently outperforms MeanFlow across scales and settings. Our largest alpha-Flow-XL/2+ model achieves new state-of-the-art results using vanilla DiT backbones, with FID scores of 2.58 (1-NFE) and 2.15 (2-NFE).