蘋果公司與俄亥俄州立大學科研團隊近日聯合宣布，成功開發出一種名為“Few-Step Discrete Flow-Matching”（FS-DFM）的新型語言模型架構。該模型通過融合擴散技術與流匹配算法，在長文本生成效率與質量上實現了突破性進展。
實驗數據顯示，FS-DFM的文本生成速度較主流大語言模型提升128倍，同時保持甚至超越了現有擴散類模型的文本質量。這一成果主要得益于其獨特的“整段生成-快速修正-成文輸出”模式，僅需8輪迭代即可完成傳統模型需要上千步的寫作任務。
與傳統自回歸架構（如ChatGPT、Claude等采用的逐詞生成方式）不同，FS-DFM采用多token并行生成策略。擴散模型首先生成多個候選token，再通過流匹配模型進行多輪優化，最終“一步到位”輸出高質量文本。這種設計使模型擺脫了對上一步輸出的依賴，顯著提升了生成效率。
研究團隊揭示了FS-DFM實現加速的三大核心機制：動態迭代預算系統可根據文本復雜度自動調整優化深度，避免無效計算；教師指導機制引入高精度“教師模型”輔助每次迭代，確保詞語更新精準度；穩態收斂策略通過優化步長控制，使模型在更少步驟內達到理想效果。
該架構的創新性體現在對計算資源的優化利用上。通過減少不必要的迭代次數，FS-DFM在保持性能的同時大幅降低了算力消耗。這意味著在移動設備或邊緣計算場景中，用戶可能以更低的能耗獲得更流暢的長文本生成體驗。
目前，研究團隊已公開相關技術細節，并表示該架構有望推動輕量化語言模型的發展。其高效節能的特性或將為實時內容創作、智能客服等領域帶來新的應用可能性。
