MeanFlow
MeanFlow 是一个基于 PyTorch 的开源项目，旨在复现论文《Mean Flows for One-step Generative Modeling》中提出的“均值流”生成模型技术。它核心解决了传统扩散模型采样速度慢、需要多步迭代才能生成高质量图像的痛点，实现了仅需单步推理即可生成清晰图像的高效方案。
该项目特别适合 AI 研究人员和深度学习开发者使用。对于希望探索前沿一步生成理论、验证算法效果或将其集成到自有项目中的技术人员，MeanFlow 提供了极简且干净的代码基础。它构建在 Just-a-DiT 和 EzAudio 之上，支持多 GPU 训练和无分类器引导（CFG），并已在 MNIST 和 CIFAR-10 数据集上展示了出色的单步生成效果。
其独特亮点在于对“单步生成”机制的轻量化实现，刻意排除了 Wandb 等重型框架以保持代码纯粹性。不过用户需注意，受限于当前 PyTorch 的技术特性，该实现中的雅可比向量积（JVP）运算暂不兼容 Flash Attention，且显存占用较高；同时，其 CFG 比例需在训练时固定，推理阶段无法动态调整，也不支持负向提示词。尽管存在这些已知限制，MeanFlow 仍为理解和学习下一代快速生成模型提供了宝贵的实践参考。
使用场景
某初创游戏工作室的美术团队正急需为独立游戏快速生成大量风格统一的低分辨率像素资产（如道具图标），但受限于算力预算和迭代速度。
没有 MeanFlow 时
- 推理延迟高：传统扩散模型生成单张图片需数十步去噪，导致批量预览素材时等待时间过长，严重拖慢设计决策流程。
- 显存占用大：多步采样过程累积的中间变量占用了大量 GPU 显存，使得在消费级显卡上难以进行高分辨率或大批量训练。
- 部署成本高：为了满足实时生成需求，不得不租用昂贵的多卡云服务器，大幅压缩了项目的利润空间。
- 代码集成难：现有的高效生成方案往往依赖复杂的框架或特定的算子，难以干净地嵌入团队已有的 PyTorch 流水线中。
使用 MeanFlow 后
- 一步即时生成：借助 MeanFlow 的单步生成特性，将原本需要几十步的计算压缩为 1 步，素材预览从分钟级缩短至毫秒级。
- 显存效率优化：虽然 JVP 操作本身有开销，但消除了多步迭代的累积显存压力，配合精简的代码实现，让单张 RTX 4090 也能流畅跑通训练与推理。
- 成本显著降低：无需昂贵集群，仅凭本地工作站即可完成从训练到生成的全流程，极大降低了硬件门槛和云端支出。
- 无缝项目整合：MeanFlow 刻意保持代码极简且无外部重型框架依赖（如 Wandb），开发人员可轻松将其核心逻辑直接移植到自研引擎中。
MeanFlow 通过“一步到位”的生成范式，在保证图像质量的同时，彻底解决了资源受限场景下生成式 AI 落地难、速度慢的核心痛点。
运行环境要求
- 未说明
- 必需 NVIDIA GPU
- 需支持 Flash Attention 和 Triton（提及 JVP 在 Triton 中的实现）
- 由于 `jvp` 即使使用检查点也会显著增加显存占用，建议大显存显卡，具体型号和大小未说明
未说明
快速开始
MeanFlow
😈 本仓库提供了论文 Mean Flows for One-step Generative Modeling 的非官方 PyTorch 实现，基于 Just-a-DiT 和 EzAudio 构建。
💬 欢迎大家贡献和反馈——如果您发现任何问题或有好的想法，请随时提交 Issue 或 Pull Request！
🛠️ 为了便于集成到您的项目中，本代码库尽可能保持简洁和极简，因此有意排除了 Wandb 等工具。
📢 最新动态
抱歉，最近我忙于其他项目，尚未更新此仓库以支持更多功能。
不过，最近 rcm 发布了基于 Triton 的 JVP 实现，简直太酷了——现在您可以将 Flash Attention 与 MeanFlow 结合使用啦！
示例
MNIST —— 训练 1 万步，单步采样结果：
MNIST —— 训练 6 千步，单步 CFG（w=2.0）采样结果：
CIFAR-10 —— 训练 20 万步，单步 CFG（w=2.0）采样结果：
待办事项
- 实现基础的训练与推理
- 通过 🤗 Accelerate 支持多 GPU 训练
- 添加无分类器指导（CFG）支持
- 集成潜在空间图像表示支持
- 增加附录中提到的改进型 CFG 等技巧
已知问题（PyTorch）
jvp与 Flash Attention 不兼容，很可能也与其他类似库（如 Triton、Mamba 等）不兼容。- 使用
jvp会显著增加 GPU 显存占用，即使使用torch.utils.checkpoint也不例外。 - CFG 是以隐式方式实现的，因此存在一些限制：
- CFG 缩放因子在训练时固定，推理时无法调整。
- 不支持负向提示词，例如文本到图像扩散模型中常用的“噪声”或“低质量”等。
🌟 喜欢这个项目吗？
如果您觉得这个仓库有用或有趣，请随手点个 ⭐ —— 这对我们来说真的很有帮助，也非常感谢！
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
tesseract
Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中