[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-expanding-flow-maps-variable-size-generation-zh":3,"article-related-expanding-flow-maps-variable-size-generation-zh":30,"series-research-3fac1251-74ee-40ea-b8ff-fedd7356a00b":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"3fac1251-74ee-40ea-b8ff-fedd7356a00b","expanding-flow-maps-variable-size-generation-zh","可擴張 Flow Map：生成尺寸跟著長","\u003Cp>這篇論文怎麼讓生成\u003Ca href=\"\u002Fnews\u002Fopenai-test-model-broke-into-hugging-face-servers-zh\">模型\u003C\u002Fa>自己長出輸出尺寸？\u003C\u002Fp>\u003Cp data-speakable=\"summary\">這篇提出一套可擴張的 flow 框架，讓模型在生成過程中逐步增加輸出尺寸，而不是先把長度或維度固定死。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：摘要無公開 benchmark 數字\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：先擴張，再傳輸\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你的生成任務不是固定長度，而是要邊生成邊決定要長多大，這篇 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.21585\">Expanding Flow Maps\u003C\u002Fa> 就是在處理這個痛點。它不是把輸出尺寸當成前置條件，而是把「尺寸成長」直接放進生成流程裡。這個方向對做序列、圖、座標點這類結構化輸出的開發者來說，特別有意思。\u003C\u002Fp>\u003Ch2>這篇在解什麼問題\u003C\u002Fh2>\u003Cp>原本的 flow-based generative models 很強的一點，是能在連續空間裡做快速生成，也能延伸到部分離散場景。但摘要點出一個老\u003Ca href=\"\u002Fnews\u002Fgemini-live-camera-turns-seeing-into-help-zh\">問題\u003C\u002Fa>：很多方法都預設了固定的維度或固定的序列長度。換句話說，模型像是被鎖在一個已經畫好的畫布裡，只能在框內填內容，不能自己決定畫布要多大。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784874777592-cgsg.png\" alt=\"可擴張 Flow Map：生成尺寸跟著長\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種限制在實作上很常見。你可能要先 padding，再 truncation，或是靠外部規則指定長度。這些做法能跑，但不夠自然，也容易把複雜度丟回系統其他地方。論文的切入點很直接：如果輸出本來就應該是可變大小，那麼「大小」就不該只是工程上的補丁，而應該是模型的一部分。\u003C\u002Fp>\u003Cp>所以這篇不是單純在修一個小技巧，而是在改生成問題的定義。它把焦點從「在固定空間裡搬運機率質量」往前推了一步，變成「一邊生成，一邊把空間擴大」。\u003C\u002Fp>\u003Ch2>方法怎麼運作\u003C\u002Fh2>\u003Cp>論文先提出 \u003Cem>Expanding Generative Flows\u003C\u002Fem>，簡稱 EFlows。它描述的是一種「維度會增加」的 flow：模型不是從完整輸出空間開始，而是先從較小的狀態出發，再沿著生成路徑逐步擴充。摘要裡的核心做法，是用一個 \u003Cem>expanding interpolant\u003C\u002Fem>，透過 conditional noise 把新座標或新 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa> 加進來。\u003C\u002Fp>\u003Cp>白話一點說，就是模型不是一次把所有東西都生完。它先有一個較小的狀態，然後在生成途中，根據目前內容\u003Ca href=\"\u002Fnews\u002Fvlm-ie3d-3d-geometry-vlms-zh\">補上\u003C\u002Fa>新的元素。這讓「輸出有多大」不再只是事先設定的常數，而是生成過程中的可學習變數。\u003C\u002Fp>\u003Cp>在 EFlows 之上，作者再定義 \u003Cem>Expanding Flow Maps\u003C\u002Fem>，簡稱 EFM。這個版本的目標，是把原本連續、可能很長的擴張軌跡，濃縮成更有效率的少步驟生成模型。也就是說，它不是要你真的模擬完整的連續成長過程，而是學一個能抓到相同行為的 compact mapping。\u003C\u002Fp>\u003Cp>每個 EFM 在兩個時間點之間，會拆成兩個可學習的部分。第一個是 \u003Cem>expand operator\u003C\u002Fem>，負責根據目前狀態去補出新的座標或 token。第二個是 \u003Cem>transport map\u003C\u002Fem>，負責把擴張後的狀態往前推，沿著 interpolant 移動。這兩個動作合起來，就是先擴張，再把樣本搬到正確分佈的位置。\u003C\u002Fp>\u003Cp>這個拆法很重要，因為它把兩件常被混在一起的事分開了：一個是「要加什麼新結構」，另一個是「加完之後怎麼整理成目標分佈」。摘要也特別指出，如果 expand operator 退化成 identity，整個框架就會回到既有的 fixed-canvas flows 和 flow maps。這代表 EFMs 不是把舊方法推翻，而是把它們包進一個更一般的形式裡。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>就摘要能看到的內容來說，這篇最主要證明的是框架本身可成立。作者把 EFlows 和 EFMs 定義成一套適合「輸出尺寸是可控學習變數」的生成設定，並且把它延伸到 discrete simplex。這一步很關鍵，因為它讓方法不只停留在連續數值，也能碰到離散資料。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784874776169-gpd0.png\" alt=\"可擴張 Flow Map：生成尺寸跟著長\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 細節，所以不能從這裡直接看出它在特定資料集上贏了多少，也沒有 runtime、吞吐量或穩定性數字可引用。這篇比較像是在先把數學與建模框架立起來，而不是先丟一張漂亮成績單。\u003C\u002Fp>\u003Cp>但從方法設計來看，它想解的其實是兩個常常分開處理的問題：生成什麼，以及生成多大。過去很多模型只管內容，不管尺寸；或只管尺寸由外部決定。這篇則是把「尺寸成長」放進 latent evolution 裡，讓大小變成生成本身的一部分。\u003C\u002Fp>\u003Cul>\u003Cli>EFlows 是「維度會增加」的 flows。\u003C\u002Fli>\u003Cli>EFMs 把每一步拆成擴張與傳輸。\u003C\u002Fli>\u003Cli>框架可延伸到離散空間，包含圖與序列。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做結構化生成，這篇提供的是一個很實用的設計方向。很多 pipeline 現在還是靠 padding、truncate，或先決定輸出長度再讓模型填內容。這些方法不是不能用，但它們會讓整個系統多一層人工假設。若模型本身就能處理 variable size，很多工程上的縫就有機會補起來。\u003C\u002Fp>\u003Cp>特別值得注意的是 controllability。因為擴張是明確建模的，理論上就比較有機會讓你控制「什麼時候長出新元素」以及「新元素怎麼被加進來」。對 graph synthesis、可編輯序列生成，或任何需要逐步長出結構的流程，這種能力都很有吸引力。\u003C\u002Fp>\u003Cp>不過限制也很清楚。摘要沒有說 EFMs 跟 fixed-size baseline 的比較結果，也沒有註明訓練穩不穩、算力開銷高不高。expand operator 的實作細節也只停在「依據目前狀態條件式地補新座標或 token」這個層級。換句話說，現在能確定的是概念與形式，不是完整的工程配方。\u003C\u002Fp>\u003Cp>所以這篇比較適合被看成一個新 formulation，而不是已經被完整驗證過的產品級方案。它的價值在於把「輸出大小」從硬編碼參數，改成模型可以學的自由度。對很多 variable-length 或 variable-size 任務來說，這個抽象本身就很有用。\u003C\u002Fp>\u003Ch2>這篇的實際意義\u003C\u002Fh2>\u003Cp>從研究角度看，Expanding Flow Maps 把 generation 的定義往前推了一步。它不只是在固定空間裡做 transport，而是允許 sample space 在生成途中長大。這讓 flow-based 模型開始有機會更自然地處理尺寸不固定的資料。\u003C\u002Fp>\u003Cp>從實作角度看，它提醒開發者一件事：如果你的任務本來就不是固定長度，那麼強行把它塞進固定維度，可能不是最好的抽象。這篇提供的是一個替代思路，讓「內容」和「尺寸」可以一起被建模。\u003C\u002Fp>\u003Cp>目前摘要沒有 benchmark 數字，所以還不能說它在實際任務上已經證明全面優於既有方法。但就框架設計來看，它確實把一個常被忽略的問題講清楚了：生成模型不一定只能在固定畫布上畫圖，也可以先畫，再把畫布往外長。\u003C\u002Fp>\u003Cp>對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這篇值得關注的點不在於某個立即可用的 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa>，而在於它提供了一個新的建模方向。當你的應用開始碰到 variable-length、variable-size、或需要逐步擴張結構的場景，這類方法可能會比傳統固定輸出設計更合適。\u003C\u002Fp>\u003Cp>總結來說，這篇論文證明的是：flow-based generation 不必先把輸出尺寸鎖死，模型可以在生成過程中同步擴張狀態與內容。它目前還是框架層面的提案，但方向很清楚，也很有後續發展空間。\u003C\u002Fp>","這篇提出一套可擴張的 flow 框架，讓模型在生成過程中逐步增加輸出尺寸，而不是先把長度或維度固定死。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2607.21585",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784874777592-cgsg.png","research","zh","36efdabe-c796-4862-a9a1-097fefbece21",[17,18,19,20,21],"flow-based generative models","variable-size generation","expanding interpolant","conditional noise","discrete simplex",[23,24,25],"把輸出尺寸納入生成過程，不再先固定長度或維度","用 expand operator 與 transport map 拆解每一步生成","框架可延伸到離散空間，適合圖與序列任務",0,"2026-07-24T06:32:30.189145+00:00","2026-07-24T06:32:30.178+00:00","e142a325-776e-4142-8d6a-0b034eaf3ff8",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"expanding-flow-maps-variable-size-generation-en","Expanding Flow Maps let generation grow with output size","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"cf300a40-a285-4a1c-a0fb-ddd8fb0c6cce","prompt-engineering-turns-codegen-into-repeatable-workflow-zh","Prompt 工程把 codegen 變成可重複流程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784923395397-latp.png","2026-07-24T20:02:49.165518+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"30e85daf-b3bd-47dc-a99c-f5fdbdf57a97","prompt-engineering-cheat-sheet-2026-zh","2026 Prompt Engineering 快速手冊","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784890982363-ipaj.png","2026-07-24T11:02:34.935593+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"e37b2e5c-b360-4184-8223-005203aeb2f2","35-chatgpt-research-prompts-better-studies-zh","35 個 ChatGPT 研究提示詞實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784885594088-voer.png","2026-07-24T09:32:44.664883+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"c6d14983-2dd2-457e-bc16-4122c07dd388","graphvid-interaction-graphs-video-generation-zh","GraphVid 用互動圖控影片生成","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784876580687-1hss.png","2026-07-24T07:02:27.302432+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"e0c23a43-b87a-4bb8-842f-f44d76b8dfbf","vlm-ie3d-3d-geometry-vlms-zh","VLM-IE3D替VLM補上3D幾何","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784872975550-yi8q.png","2026-07-24T06:02:30.1684+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"abb4a4d3-19d3-4392-b8bb-14f57d083348","openai-test-model-broke-into-hugging-face-servers-zh","OpenAI 測試模型闖進 Hugging Face 伺服器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784829771266-0mzj.png","2026-07-23T18:02:29.01097+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]