知识卡片：扩展流映射——生成流模型中的动态维度控制

一句话结论

本文提出扩展生成流（EFlows）与扩展流映射（EFMs），将传统固定维度/固定长度的生成流推广为输出大小本身可学习、可控的自由度，从而支持变长序列与变尺寸图生成等动态输出任务。

研究问题

现有基于流的生成模型在连续或离散状态空间中已取得快速可控生成能力，但其参数化方式受限于固定维度或固定序列长度。如何让输出结构的尺寸（如图节点数、序列长度）成为模型可自主习得并可条件控制的变量，是本文要解决的核心问题。

方法/产品要点

• EFlows（扩展生成流）：定义一个随维度逐步增长的插值路径（expanding interpolant），在每个时间步向当前状态添加带条件的噪声来扩展状态空间，从而在分布间构建流。
• EFMs（扩展流映射）：从EFlows中蒸馏得到的少步生成模型。每个时间步之间的映射被分解为两个可学习操作：
  1. 扩展操作（expand operator）：基于当前状态条件，向状态空间增补新坐标或新token。
  2. 传输映射（transport map）：将扩展后的状态沿插值路径向前推进。
• 将上述算子组合可得到单个映射，同时完成状态扩展与去噪。当扩展算子为恒等映射时，退化为已有的固定画布流与流映射。
• 框架进一步拓展至离散单纯形，支持变尺寸图生成和变长序列生成。

主要结果或产业意义

• 从理论层面建立了输出大小可作为学习自由度的生成框架，统一了连续（如图像）与离散（如图、序列）模态下的动态输出生成。
• 待核实：论文是否在标准数据集上报告了具体指标（如FID、序列perplexity、图生成有效性等），原始材料未提供实验细节。

为什么重要

现有流模型在生成时必须预先指定输出维度/长度，限制了其在自然文本、分子图等输出长度不固定的场景中的应用。EFlows/EFMs首次将维度扩展内化为生成过程的一部分，使模型能自动决定何时停止扩展以及扩展多少，是可类比于自回归模型“停止标记”的生成流方案。

局限与不确定性

• 待核实：少步蒸馏（EFMs）在生成长序列时是否保持高保真度，以及扩展操作的计算复杂度随维度增长如何扩展。
• 待核实：与自回归模型或扩散模型的变长生成方案相比，在采样速度与质量上的具体优劣。
• 框架在离散单纯形上的实现细节（如如何保持概率单纯形约束）在摘要中未展开。

可用于图书/PPT/简报的角度

• 技术演进图：从固定画布流 → 扩展流（可变输出），作为生成模型维度可学习化的里程碑。
• 对比图表：对比传统流模型（输出大小固定）、自回归模型（逐token生成）、本文方案（流式扩展）在输出灵活性和采样步数上的差异。
• 应用场景举例：变长分子SMILES生成、动态图结构推理、可重置画布的无界图像生成。

与既有脉络的关系

本卡片是对“生成流模型”方向的延续，提出输出维度可变的框架。与已有卡片（脑微出血检测、自流数据增强、多跳KGQA等）无直接事实重复。

原始材料

• 英文标题：Expanding Flow Maps
• 英文关键词：generative flows, flow maps, expanding interpolant, variable-size generation, sequence generation, graph generation
• 原始来源：arXiv:2607.21585v1 (https://arxiv.org/abs/2607.21585v1)