# 苹果俄亥俄州立大学联手发布FS-DFM扩散语言模型：8步生成媲美千步效果，速度飙升128倍

- Link: https://paooo.com/aigc-news/13463/
- Published: 2026-06-20T06:12:22+08:00
- Author: Prompt 语宙研究院

> **💡 站外导读：**在生成式AI竞赛白热化的当下，长文本生成效率成为制约大模型落地的
> 关键瓶颈。传统自回归模型生成序列时需逐步解码，面对长文本时计算成本与延迟显著攀升。
> 而扩散模型虽具并行生成潜力，却常因采样步数过多而牺牲速度。苹果与俄亥俄州立大学
> 联合提出的FS-DFM模型，正是瞄准这一痛点，通过显式控制采样步数并优化概率更新规则，
> 实现了少步高质量生成，为内容创作、智能客服等需要快速长文本输出的场景提供了高效
> 解决方案。

## FS-DFM是什么

FS-DFM（Few-Step Discrete Flow-Matching）是苹果联合俄亥俄州立大学推出的用在快速生
成长文本的扩散语言模型。模型通过将采样步数作为显式参数进行训练，使模型能在较少的
步骤内生成高质量的文本。FS-DFM结合可靠的更新规则和强大的教师指导，确保概率更新准确
且不会过度调整。在语言建模基准测试中，FS-DFM用8步采样达到1024步离散流基线的困惑度
水平，同时将采样速度提升至128倍，显著提高效率和吞吐量。

阅读目录

 * [FS-DFM是什么](https://paooo.com/aigc-news/13463/#fsdfm%e6%98%af%e4%bb%80%e4%b9%88)
 * [FS-DFM的主要功能](https://paooo.com/aigc-news/13463/#fsdfm%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [FS-DFM的技术原理](https://paooo.com/aigc-news/13463/#fsdfm%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [FS-DFM的项目地址](https://paooo.com/aigc-news/13463/#fsdfm%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [FS-DFM的应用场景](https://paooo.com/aigc-news/13463/#fsdfm%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/aigc-news/13463/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

![FS-DFM](https://paooo.com/wp-content/uploads/2026/05/FS-DFM-webiste-1.avif)

## FS-DFM的主要功能

 * **高效采样**：用8步采样达到传统1024步扩散模型的效果，速度提升128倍。
 * **长文本生成**：适用生成长文本，解决传统自回归模型在长序列生成中的效率瓶颈。
 * **稳定性和可控性**：通过优化采样规则和教师指导，确保生成过程稳定且易于控制。

## FS-DFM的技术原理

 * **基于离散流匹配（DFM）框架**：FS-DFM的技术基础是离散流匹配（Discrete Flow-Matching,
   DFM），通过学习从噪声分布到目标分布的概率路径生成文本。DFM用连续时间马尔可夫链（
   CTMC）的特性，提供一种并行生成文本的方法，相比传统的自回归模型，能显著提高生成
   效率。
 * **显式采样步数**：FS-DFM将采样步数作为显式参数，训练模型在不同步数预算下保持一致
   的生成效果。意味着模型通过较少的步骤（如8步）达到与传统方法（如1024步）相当的
   质量，大幅减少生成所需的计算资源和时间。
 * **可靠更新规则**：为确保少步生成的稳定性和准确性，FS-DFM引入一种可靠的更新规则。
   规则通过控制概率更新的方向和幅度，避免过度调整（overshooting）的问题，使生成过程
   更加稳定。
 * **累积标量（Cumulative Scalar）**：FS-DFM引入累积标量的概念，通过在时间区间内
   积分调度器的速率，为每个有限步提供正确的概率流。使模型在少步生成中实现有效的更新，
   在早期步骤中能保持足够的更新力度，避免生成过程停滞。

## FS-DFM的项目地址

 * **arXiv技术论文**：https://arxiv.org/pdf/2509.20624

## FS-DFM的应用场景

 * **内容创作**：快速生成高质量的长文本，用在创作文章、故事、新闻报道等，帮助内容
   创作者提高效率。
 * **智能客服**：在智能客服系统中，快速生成详细的回复，提升响应速度和用户体验。
 * **语言翻译**：通过高效生成长文本，用在翻译长篇文档，提高翻译效率和质量。
 * **创意写作**：为作家和创意人员提供灵感，快速生成故事大纲、剧本或诗歌等，激发创作
   思路。
 * **教育领域**：生成教育材料，如课程大纲、教学案例或练习题，辅助教师准备教学内容。

#### 📝 站长洞察 (Editor’s Insight)

FS-DFM的发布标志着扩散语言模型从学术探索迈向实用化关键一步。其核心创新在于将采样
步数作为显式训练参数，并引入可靠更新规则与累积标量机制，在极致压缩生成步数的同时
保持质量稳定。这不仅是技术上的突破，更反映了行业趋势：[大模型](https://paooo.com/ai-study/)
竞争正从单纯参数规模转向生成效率与成本优化。苹果此次出手，预示着其可能将高效生成
技术深度集成至端侧AI，赋能Siri、Apple Intelligence等场景。未来，此类少步扩散架构
或将成为平衡生成质量与实时性的新范式，推动AIGC在移动端、边缘计算等资源受限环境中的
广泛应用。

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/13463/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)