跳到主要内容

# 自适应步数选择

2 篇关联报道

arXiv 2026年10月5日
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。
Indian Institute of Technology Bombay Singapore-MIT Alliance for Research and Technology
Divya Jyoti Bajpai（第一作者）
COFLOW 自适应步数选择流匹配视觉生成
arXiv 2026年9月30日
AnyStep-WAM 用冻结教师轨迹蒸馏与风险收益调度，把三个世界动作模型的去噪步数削减约五成至八成半并保持成功率
该工作提出 AnyStep 世界动作模型框架：用冻结教师轨迹构造的区间目标做预算对齐的流图蒸馏，并训练一个轻量风险—收益调度器，从单次一步预览预测教师轨迹难度与各预算下的学生保真度，从而为每个动作块选择满足保真要求的最小去噪预算；在 RoboTwin 2.0 上对 Motus、FastWAM、LingBotVA 三个骨干分别减少平均去噪步数 60.2%、49.8%、85.28% 且平均成功率与全预算基线相差不超过 0.24 个百分点，同时把一步预算下的成功率分别提升 7.07、12.08、8.94 个百分点，并在六项真实机械臂任务上取得 1.67–6.14 倍的单次推理加速。
该工作提出 AnyStep 世界动作模型框架：用冻结教师轨迹构造的区间目标做预算对齐的流图蒸馏，并训练一个轻量风险—收益调度器，从单次一步预览预测教师轨迹难度与各预算下的学生保真度，从而为每个动作块选择满足保真要求的最小去噪预算；在 RoboTwin 2.0 上对 Motus、FastWAM、LingBotVA 三个骨干分别减少平均去噪步数 60.2%、49.8%、85.28% 且平均成功率与全预算基线相差不超过 0.24 个百分点，同时把一步预算下的成功率分别提升 7.07、12.08、8.94 个百分点，并在六项真实机械臂任务上取得 1.67–6.14 倍的单次推理加速。
Rui Wang（第一作者）
AnyStep 世界动作模型流映射蒸馏世界-动作模型自适应步数选择机器人操作

已读完全部报道