arXiv 2026年10月5日该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。COFLOW 按提示特征自适应选择步数，在图像与视频生成中实现逾 2.5 倍加速并保持感知与语义质量该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。该工作提出 COFLOW，一种推理时方法，依据提示特征为每次生成自适应选择步数，并用无监督奖励在线训练以平衡推理效率与生成保真度；它即插即用、无需重训底层生成模型，可推广到图像与视频生成，实现逾 2.5 倍加速同时保持感知与语义质量，并给出标准正则条件下 O(1/K) 的前向欧拉离散误差界理论分析。