以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Few-step distillation offers efficient generation with diffusion and flow models, but preserving quality with only a few sampling steps remains challenging. Distribution-matching methods via score distillation provide a strong foundation, yet they rely on accurately tracking the student's changing distribution. At inte
阅读原文 · Yihong Luo, Tianyu Pang, Tianyang Hu
向阳乔木 · opencode-go/deepseek-v4.1-flash
少步扩散模型一直是效率与质量之间最难平衡的地方。这篇论文试图把“怎么监督学生模型”这件事重新定义一遍，值得关注的点在于：它给出的不只是一个新损失函数，而是一个能统一多种已有方法的视角。 VA-TDM 的核心主张是：在少步采样里，学生模型的 score 很难估准，常用的估计器甚至可能在描述另一个分布。于是作者绕开 score，改用速度场（velocity fi...