流匹配（Flow Matching）是一種新興的生成模型正規化，其取樣過程涉及求解一個常微分方程（ODE），而計算成本主要由神經網路的前向傳播決定。最近，arXiv上的一篇論文（arXiv:2605.00836）系統研究了不同ODE求解器在流匹配模型中的效能。
該論文從泰勒展開的第一性原理出發，推導了四種經典數值求解器：尤拉法（Euler）、顯式中點法（Explicit Midpoint）、經典龍格-庫塔法（RK4）以及自適應步長的多曼德-普林斯5(4)法（Dormand-Prince）。作者在PyTorch中從零實現了這些演算法，並在條件流匹配任務上進行了全面基準測試，任務涵蓋從二維玩具分佈到MNIST手寫數字。
定量實驗中，研究者使用切片Wasserstein距離構建了NFE（函式評估次數）與樣本質量之間的帕累託前沿。結果顯示，RK4僅需80次函式評估即可達到與尤拉法200次評估相當的樣本質量，效率提升2.5倍。
除了復現已知的收斂階數，論文還報告了兩個重要經驗觀察：第一，學習到的速度場的雅可比矩陣特徵值譜在t=1附近急劇變硬（stiffen），這解釋了為什麼自適應多曼德-普林斯求解器會自動將步長預算集中在軌跡末端；第二，對於欠訓練或較小的模型，低階求解器與高階求解器之間的質量差距會擴大，表明當模型不完美時，求解器的選擇更為關鍵。
該研究為流匹配模型的取樣效率提供了實用指導，所有程式碼和實驗指令碼均已公開。研究人員和實踐者可以根據模型特性和計算預算選擇合適的求解器。