x-Prediction Is All You Need:Training-Free Accelerated Generation via Endpoint Decodability

📄 arXiv: 2607.06114v1 📥 PDF

作者: Xin Peng, Ang Gao

分类: cs.LG, cs.AI

发布日期: 2026-07-07

💡 一句话要点

提出x-预测以解决ODE采样效率低下问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 扩散模型 流匹配 神经函数评估 样本生成 推理加速 机器学习 计算机视觉

📋 核心要点

  1. 现有的扩散模型和流匹配模型在生成高质量样本时，ODE采样器效率低下，需要大量的神经函数评估。
  2. 论文提出了一种新的方法，利用x-预测和端点可解性，定义了截断跳跃采样（TJS），无需重训练或架构更改。
  3. 实验结果表明，TJS在多个基准上减少了20%至70%的神经函数评估次数，同时保持了样本质量的接近。

📝 摘要（中文）

扩散和流匹配模型能够生成高质量样本，但其常用的ODE采样器通常需要数十到数百次神经函数评估，这在实际应用中是一个挑战。本文提出了一种基于x-预测的新方法，定义了端点可解性，并通过截断跳跃采样（TJS）实现了在不需要重训练或架构更改的情况下，减少20%至70%的神经函数评估次数，同时保持样本质量接近原有水平。该方法在多个基准测试中表现出色，展示了端点预测的有效性。

🔬 方法详解

问题定义：本文旨在解决扩散和流匹配模型在生成样本时，ODE采样器效率低下的问题。现有方法通常需要大量的神经函数评估，导致计算成本高昂。

核心思路：论文提出通过x-预测来实现端点可解性，利用标准仿射概率路径中暴露的x_0信息，形成一个原则性的清晰样本估计。

技术框架：整体方法包括对ODE的早期退出，在时间t^*处停止ODE，并返回解码后的x_0。该过程不需要重训练、蒸馏或架构更改。

关键创新：最重要的创新在于定义了端点可解性，并提出了截断跳跃采样（TJS），这与现有方法的本质区别在于无需重新设计轨迹即可实现推理加速。

关键设计：TJS的设计依赖于最小均方误差估计器，使用标准的$ ext{l}_2$目标函数来优化解码过程，确保在减少计算量的同时保持样本质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，截断跳跃采样（TJS）在多个基准上减少了20%至70%的神经函数评估次数，同时保持了样本质量的接近。与传统方法相比，TJS在不需要重训练或架构更改的情况下，显著提高了推理效率，展示了其在实际应用中的潜力。

🎯 应用场景

该研究的潜在应用领域包括图像生成、视频合成和其他需要高效样本生成的任务。通过减少计算资源的消耗，TJS方法可以在实际应用中提升生成模型的效率，降低成本，推动相关技术的广泛应用。未来，该方法可能会影响更多领域的生成模型设计与优化。

📄 摘要（原文）

Diffusion and flow matching models generate high-quality samples, but their ODE samplers often need tens to hundreds of neural function evaluations (NFEs). This remains a practical challenge for released checkpoints, since many accelerators require additional design choices and training cost through retraining, distillation, or trajectory redesign. We investigate a different route based on $x$-prediction. During sampling, standard affine probability paths already expose $x_0$ information: an intermediate state and its path velocity determine a principled estimate of the clean sample. We formalize this property as \textbf{endpoint decodability} and show that the decoder is the minimum-MSE estimator $\mathbb{E}[x_0\mid x_t]$ under the usual $\ell_2$ objective. This yields \textbf{Truncated Jump Sampling} (TJS): stop the ODE at an early-exit time $t^*$ and return the decoded $x_0$. TJS requires no retraining, distillation, or architecture change. Across SDXL, SD3.5M, Z-Image-Turbo, and three class-conditional benchmarks, it reduces NFEs by 20--70\% with near-matched quality. The analysis also shows why endpoint prediction can work without straightening the trajectory, providing inference acceleration without trajectory redesign.