免蒸馏，只改一个Loss！5行代码实现扩散模型4步生成¶

Ch01.1587 免蒸馏，只改一个Loss！5行代码实现扩散模型4步生成¶

📊 Level ⭐⭐⭐ | 2.4KB | entities/免蒸馏只改一个loss5行代码实现扩散模型4步生成.md

免蒸馏，只改一个Loss！5行代码实现扩散模型4步生成¶

WeChat-PaperWeekly | 发布于 2026-08-11 | 评分入库 v×c≥49

核心内容¶

赵楚洋 2026-08-11 18:40 北京 感知损失改写少步生成 ©PaperWeekly 原创 · 作者 赵楚洋 单位 京东探索研究院 研究方向 扩散模型、多模态生成 扩散模型的少步生成，或许不需要复杂的蒸馏和额外训练目标。 我们发现，只需将传统Flow Matching 训练中的MSE Loss 替换为Perceptual Loss ，即可让模型具备高质量的少步生成能力，将推理步数从35–50步 降低到4–8步 ，同时保持接近的生成质量。 论文标题： Perceptual Flow Matching for Few-Step Generative Modeling 论文地址： <https://arxiv.org/pdf/2607.03524 与现有少步生成方法不同，PFM ： 不需要 Teacher 模型； 不需要分布蒸馏（DistributionDistillation）； 不需要轨迹蒸馏（TrajectoryDistillation）； 不需要设计额外的训练目标。 PFM 在原本的 Flow Matching 预训练/微调代码上仅需将训练损失从MSE 替换为Perceptual Loss ，就可以快速获得少步生成能力。 我们在文生图、图像编辑和视频生成 等多个任务上验证了这一方法，实验结果表明，仅需4–8步 即可达到媲美传统35–50步 Flow Matching 的生成效果。 文生图： 图像编辑： 视频生成： 为了探究为什么感知空间能够激发模型的少步生成能力，我们开展了一系列分析实验。 我们发现，传统Flow Matching 在训练过程中，尤其是在高噪声区域，。

关键要点¶

• 原文完整记录：原文存档
• 关联主题：Agent Architecture、Agent Evaluation Benchmarks

相关实体¶

Agent Architecture Agent Evaluation Benchmarks