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
相关研究与后续进展
核心概要
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。
Figure 1 : Generation across integration step budgets. Different inputs can exhibit different behavior as the integration budget changes. The rightmost plots illustrate relative velocity variation along the corresponding trajectories.
arXiv深度剖析
COFLOW 在推理阶段根据提示特征为每次生成自适应地选择步数，而不是对所有输入使用统一的函数评估次数。 既有加速方法虽减少函数评估次数，但往往引入额外训练开销、降低质量，或未考虑输入相关的可变性；COFLOW 把步数选择做成输入相关且无需重训底层生成模型。 摘要层面的证据：方法被描述为即插即用的推理时方法，并在图像与视频生成上报告了逾 2.5 倍加速且保持感知与语义质量。
COFLOW 采用无监督奖励在线训练，使推理效率与生成保真度之间取得平衡。 相对依赖额外训练开销或质量折衷的既有加速路线，这里把效率与保真度的权衡放进一个在线学习的无监督奖励中。 摘要层面的证据：摘要明确说明该上下文感知方法以无监督奖励在线训练，但未给出奖励形式、训练规模或消融细节。
作者给出理论分析，在标准正则条件下建立 O(1/K) 的前向欧拉离散误差界。 这为基于前向欧拉离散的步数选择提供了误差随步数 K 变化的收敛刻画，补充了以经验加速为主的加速方法图景。 摘要层面的证据：摘要陈述该误差界成立，但未列出正则条件的具体内容或证明细节。
启示与展望
该结果面向使用流匹配进行视觉生成、且希望在推理阶段降低函数评估次数的读者，适用于图像与视频生成场景；其卖点是不改动底层生成模型即可接入，因此适合已有流匹配模型的服务化与部署环节。摘要所述 O(1/K) 误差界是在标准正则条件下针对前向欧拉离散给出的，说明该方法的适用范围与这一离散化框架相关。
摘要未说明无监督奖励的具体形式、在线训练的规模与稳定性，也未给出所用数据集、对比基线与评测指标细节，因此逾 2.5 倍加速在不同分辨率、不同模型与不同提示分布下的表现仍需在正文中确认。O(1/K) 误差界所依赖的正则条件、常数因子及其与实际步数选择策略的对应关系，也需查阅正文才能判断其适用边界。本次仅基于摘要，未读取图表与实验细节，上述判断以摘要陈述为限。