生成模型不再靠反向传播：平衡传播把CIFAR-10的FID做到3.64，逼近反向传播的3.54

生成模型可以完全靠物理松弛来采样，而不必逐步积分速度场。 扩散与流匹配模型通常要顺序积分数百步，这种计算不适合GPU，却适合模拟神经形态硬件。 把用反向传播训练好的能量匹配模型原样载入该网络后，仅靠松弛采样，在CIFAR-10与ImageNet-32规模上FID与原模型相差不超过0.04。

训练也可以不依赖反向传播，参数更新几乎与反向传播一致。 反向传播需要全局梯度传输，在模拟硬件上难以实现。 平衡传播复现反向传播参数更新的余弦相似度为0.9998，用这些更新端到端训练在无条件CIFAR-10上达到FID 3.64，反向传播为3.54。

达到这一质量不需要组归一化或注意力。 常见高质量生成架构往往依赖组归一化与注意力等模块。 仅由卷积和逐点非线性组成的架构，两者都适合模拟交叉阵列，用反向传播训练时FID为3.51。

该结果面向CIFAR-10与ImageNet-32规模的图像生成，读者是关注生成模型训练规则与模拟硬件适配的研究人员。材料说明该网络可载入已训练好的能量匹配模型并仅靠松弛采样，也说明可用平衡传播端到端训练；是否扩展到更大规模或真实模拟硬件，材料未给出下一步安排。

材料以摘要形式给出，未说明训练成本、硬件实测或更大规模数据上的表现。所报告的FID与余弦相似度对应CIFAR-10与ImageNet-32规模，属于该设置下的结果。