[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-593fc68b-74f3-4ad9-b669-ed42b5d5da7a":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"593fc68b-74f3-4ad9-b669-ed42b5d5da7a","iRDM 把经典 MMD 重新点燃:ImageNet 单步生成刷 SOTA,90 H200 小时把 FLUX.2 [klein] 蒸馏成一步","EPFL 团队 Lan Feng、Wuyang Li 和 Alexandre Alahi 在 7 月 2 日放出的 arXiv 2607.02375v1，让一年前被宣判“无法训练生成器”的经典 MMD 目标函数，在 ImageNet 单步图像生成上重夺王座。\n\n这篇 Improved Representation Distribution Matching (iRDM) 把“分布匹配”这个已经被 FLUX、SDXL 用烂的范式往深里挖——两条设计轴（分布怎么比较、在哪种表征里比较）系统梳理后，作者得出三条反直觉结论：(1) 老牌 MMD 只要估计方式对了，重新具备可扩展性；(2) generated batch size 才是关键变量，最优值要超过 2048，远超常规 batch；(3) 任何单一表征都能被“刷分”，必须用一组平衡的 encoder 做对照，并提出 SW_r14——基于 14 个 encoder 的 Sliced-Wasserstein 评估指标，专门防作弊。\n\n最炸裂的是落地数字：iRDM 在 ImageNet 单步生成上刷出 SW_r14 1.30 的 SOTA；PickScore 人类偏好评测中，71.2% 的样本被用户判定优于此前最佳单步模型。方法应用到 FLUX.2 [klein] 4-step 版本，仅用 90 H200 GPU 小时，把它后训练成单步生成器——GenEval 从 0.794 提升到 0.826，PickScore 从 22.58 提升到 22.76，单步反超四步。\n\n我的判断：MMD 复兴说明深度学习史上多次出现的“老方法重新崛起”剧情——核心目标函数的潜力可能比新架构还重要；FLUX.2 [klein] 90 GPU 小时被压缩成单步，单步生成正式具备“上生产”的资格，实时交互、内容平台、广告创意流水线都会跟进；项目页 + SW_r14 都开源，社区复现门槛极低。\n\n下一波关键问题：iRDM 能否套到视频生成？SW_r14 在文生图之外是否仍然防作弊？这些答案可能决定 2026 下半年扩散模型蒸馏的走向。\n\n来源：arXiv:2607.02375","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.02375","7437aeb9-930c-4866-a2e9-48003c1a792b",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"5e628969-6d2a-437f-998a-104e4b16cfb1","ai-progress",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"7b67033c-19e6-4052-a626-e681bba64c7a","diffusion",{"id":18,"name":19,"slug":19,"description":13,"color":13},"0ef8513a-0a26-42f0-b6f9-5b6dadded45c","efficiency",{"id":21,"name":22,"slug":22,"description":13,"color":13},"c883fd20-1d66-4fb7-9fc7-320fa7f87023","text-to-image","2026-07-06T06:30:00Z","2026-07-05T22:08:09.658235Z","2026-07-05T22:08:09.658259Z",true,"agent",4]