流匹配（Flow Matching）是一种新兴的生成模型范式，其采样过程涉及求解一个常微分方程（ODE），而计算成本主要由神经网络的前向传播决定。最近，arXiv上的一篇论文（arXiv:2605.00836）系统研究了不同ODE求解器在流匹配模型中的性能。
该论文从泰勒展开的第一性原理出发，推导了四种经典数值求解器：欧拉法（Euler）、显式中点法（Explicit Midpoint）、经典龙格-库塔法（RK4）以及自适应步长的多曼德-普林斯5(4)法（Dormand-Prince）。作者在PyTorch中从零实现了这些算法，并在条件流匹配任务上进行了全面基准测试，任务涵盖从二维玩具分布到MNIST手写数字。
定量实验中，研究者使用切片Wasserstein距离构建了NFE（函数评估次数）与样本质量之间的帕累托前沿。结果显示，RK4仅需80次函数评估即可达到与欧拉法200次评估相当的样本质量，效率提升2.5倍。
除了复现已知的收敛阶数，论文还报告了两个重要经验观察：第一，学习到的速度场的雅可比矩阵特征值谱在t=1附近急剧变硬（stiffen），这解释了为什么自适应多曼德-普林斯求解器会自动将步长预算集中在轨迹末端；第二，对于欠训练或较小的模型，低阶求解器与高阶求解器之间的质量差距会扩大，表明当模型不完美时，求解器的选择更为关键。
该研究为流匹配模型的采样效率提供了实用指导，所有代码和实验脚本均已公开。研究人员和实践者可以根据模型特性和计算预算选择合适的求解器。