低噪声 regime 下的流匹配：病态现象及对抗性补救

流匹配（flow matching）最近作为扩散模型的强大替代方案，提供了用于生成模型和表示学习的连续时间表述。然而，我们指出该框架在低噪声 regime 中存在根本性不稳定性。随着噪声水平趋近于零，输入的任意微小扰动可导致速度目标产生大幅变化，导致学习问题的条件数发散。这种病态现象不仅减慢优化速度，还迫使编码器将其有限的雅可比容量重新分配给噪声方向，从而降低语义表征的质量。我们提供了该现象的首次理论分析，称为低噪声病态（low-noise pathology），确立其与流匹配目标结构之间的内在联系。基于这些见解，我们提出 Local Contrastive Flow（LCF），一种混合训练协议，用对抗特征对齐取代小噪声水平下的直接速度回归，同时在中等和高噪声水平下保留标准流匹配。实证结果表明，LCF 不仅提高收敛速度，还稳定了表征质量。我们的发现凸显了解决低噪声病态的重要性，以实现流匹配在生成和表示学习中发挥全部潜力的关键作用。