流匹配（Flow Matching，FM）出自论文《Flow Matching for Generative Modeling》。
要解决的问题
连续归一化流（Continuous Normalizing Flows，CNF）是一类表达力强的生成模型，但传统训练方式需要模拟整条轨迹，代价高、难以做大。
做法
论文把 FM 定义为一种建立在连续归一化流之上的生成建模范式，核心是一个「免模拟（simulation-free）」的训练目标——通过回归固定条件概率路径的向量场来训练 CNF，从而让 CNF 首次能以空前的规模训练。FM 兼容一大类高斯概率路径，用于在噪声与数据样本之间做变换。
与扩散的关系
论文指出，现有的扩散路径只是这族高斯路径中的特例——用扩散路径做 FM 训练，会得到一种更稳健、更稳定的扩散模型训练替代方案；而 FM 还打开了使用非扩散路径的大门。其中特别受关注的是用最优传输（Optimal Transport）位移插值定义条件概率路径：论文报告这类路径比扩散路径更高效，训练与采样更快、泛化更好。在 ImageNet 上，用 FM 训练的 CNF 在似然与样本质量两方面都稳定优于基于扩散的替代方法，并可用现成的数值 ODE 求解器快速可靠地生成样本。
适用边界
这是一类训练范式与建模框架，不等于某个具体产品；上述对比结论来自论文自身的实验设定。