发散即不确定性：流匹配后验协方差的闭式表达式

流匹配已成为生成模型的主要框架，但对其样本不确定性的量化仍是未开放的问题。现有方法通过辅助方差头重新训练模型、维护高昂的集成模型，或通过大量积分步骤传播近似协方差，在训练成本、推理成本或准确性之间进行权衡。我们指出，这些权衡都不必然。通过将Tweedie公式从去噪场景推广到流匹配插值函数，我们推导出沿生成轨迹每个点后验协方差的精确闭式表达式。结果仅依赖于一个量，即所学习速度场的散度，该量可在任何预训练的流匹配模型上后处理计算，无需重新训练也无需修改网络结构。对于如MeanFlow这样的单步生成器，同一公式可在单次前向传播中得到端到端生成不确定性，消除了所有先前方法所需的多步骤方差传播。在MNIST数据集上的实验表明，所得的像素级不确定性图在语义上是有意义的，集中于数字边界处（即样本间变异最高的地方），且标量不确定性得分能够跟踪实际预测误差，总计算成本仅为集成或蒙特卡罗 dropout的约$10^4$倍。