上一页让模型学习跨阶段的关系。这里先看一条会转弯的生成路径：起点附近的短箭头回答“此刻往哪里动一点”，而连接整段起终点的箭头回答“跨完这段后，总共改变多少”。两者在直线路径上可能一致，在一般路径上却不是同一个问题。

“把眼前方向乘十倍，不能代替走十次吗？” 沿途方向如果发生变化，放大出发时的方向就会越走越偏。区间平均变化需要考虑整个区间的净位移，并与区间跨度相对应；它既不是起点局部方向，也不一般等于两端局部速度的算术平均。

可以采用不依赖论文时间正反约定的写法理解：对于生成方向上的一段，平均变化乘这段有向跨度，得到终点相对起点的位移。区间端点和方向必须同时说明；只记“平均速度乘时间”而忽略从哪端走向哪端，可能让更新符号反过来。课堂金色箭头始终指向生成终点。

Mean Flows for One-step Generative Modeling 由 Zhengyang Geng、Mingyang Deng、Xingjian Bai、J. Zico Kolter 与 Kaiming He 提出，将区间平均速度作为学习对象，利用它与瞬时速度的关系构造训练。生成时让学到的区间量承担完整跨度，面向一步生成。终点是任务中需要预测的结果，不是推理时偷偷交给模型的输入。

“定义了平均速度，就已经会一步生成了吗？” 没有。定义清楚目标只说明应该学什么；训练能否准确预测这个区间量、是否覆盖所需条件，仍需实验。课堂的局部箭头与整段箭头解释两种任务，没有测出一步质量或实际加速。

Improved Mean Flows（iMF） 继续研究快速跨段模型的优化问题，包括用预测平均速度的网络重新参数化瞬时速度回归目标，以及把引导强度作为可调条件。原始 MeanFlow 的相关引导设置在训练时固定，iMF 让它成为训练与使用时可变化的输入；这并不保证超出训练覆盖范围的任意引导值都可靠。理解改动时，应看它修正了什么学习困难，而不只记一个新缩写。

到这里，少步生成已经有多种研究切入点：更新计划、学习到的路径、跨阶段约束、区间预测对象。它们不能由“把箭头拉长”统一解释。下一页则不再选边站，看看自回归与扩散怎样在不同层次合作。

同一生成循环，本页改变整段平均变化

当前表示 → 模型预测 → 更新规则 → 下一状态 整段平均变化