STARFlow2：用归一化流桥接语言模型与多模态生成

多模态生成领域最近两年有一个非常明显的趋势：大语言模型（LLM）越来越像系统的“大脑”，负责理解指令、拆解任务、组织语义；但真正把语义变成图像、视频、音频、3D内容的，仍然是另一套专门设计的生成模块。很多开发者的直观感受是，语义理解和内容生成之间始终隔着一层“翻译”，要么用离散 token 把视觉信息压成语言模型认识的符号，要么用扩散模型做大量迭代采样。这两种方案都有效，但代价都不小。STARFlow2 想要回答的问题恰恰是：能不能用归一化流（Normalizing Flow）作为那座桥，把语言模型和高保真多模态生成直接连起来？

这篇文章不是 STARFlow2 官方论文的逐段翻译，而是一个从工程视角出发的解读。我会先讲清楚归一化流到底是什么、它和扩散模型、自回归模型有什么本质区别；然后分析为什么“语言模型 + 归一化流”的组合值得关注，它能解决哪些真实问题，又会在哪些场景碰壁；最后给出一个最小的归一化流实现示例和一套可复用的工程验证思路，帮助你把论文思路落进自己的实验里。

读完这篇文章，你会得到三样东西：第一，对归一化流这个相对冷门的概念建立清晰认知；第二，理解多模态生成架构的设计取舍，知道为什么有人要拿归一化流“桥接”语言模型；第三，一个可以自己跑起来的代码骨架，以及后续排查问题、做工程化改造的参考路径。

1. 这篇文章真正要解决的问题

先说一个很多做多模态生成的人都会遇到的尴尬：语言模型很强，但它本质上是一个“离散符号处理器”。你给它一张图片，它看到的是一串 patch embedding 或离散码；你让它画一张图，它输出的也不是像素，而是下一组 token 的概率分布。这意味着，在大语言模型和连续的多模态数据之间，必须存在一个转换层。

目前最主流的转换层有两类：

第一类是离散化方案。把图像、音频等连续信号通过 VQ-VAE 之类的模型压缩成离散 token，然后让语言模型像写作文一样逐个预测 token，最后由解码器把 token 还原成图像或音频。优点是能直接复用语言模型的训练和推理范式，缺点是离散化过程会损失细节，高分辨率图像需要大量 token，生成长视频时序列长度爆炸。

第二类是扩散方案。语言模型生成一个条件向量或文本 embedding，扩散模型在这个条件下从噪声中迭代去噪，最终得到高保真样本。优点是质量高，缺点是需要几十步甚至上百步采样，推理速度慢；而且扩散模型是“先破坏再恢复”的路线，每一步都需要完整的噪声估计网络参与，算力成本很高。

STARFlow2 选择了一条相对中间的道路：用归一化流作为生成模块。归一化流是一种可逆变换，它能把一个简单的分布（比如高斯分布）通过一系列可逆映射变成复杂的目标分布。关键是，这个变换是可逆的，因此训练时可以直接算精确对数似然，生成时可以一步完成采样，不需要像扩散模型那样反复迭代。

这里真正值得关注的地方不是“归一化流比扩散模型更强”，而是它给架构设计提供了新的自由度。语言模型负责高层语义规划，归一化流负责连续空间内的忠实映射。两者各管一段，不需要把视觉世界强行压缩成语言模型更熟悉的离散 token，也不需要让语言模型介入逐像素的迭代去噪过程。

这意味着什么？意味着多模态生成系统第一次可能真正做到“一个骨干，多种输出”。文本、图像、音频、视频可以被编码到同一个连续隐空间，语言模型在这个空间里做统一的条件建模，归一化流再做模态往返映射。如果你正在做统一多模态生成、可控内容生成或者需要高推理速度的生成服务，STARFlow2 的这套思路比简单堆叠单模态模型更有参考价值。

2. 归一化流的核心概念与应用价值

2.1 什么是归一化流

归一化流是一类生成模型，核心思想是通过一串可逆且可微的变换，把一个简单概率分布（通常是标准高斯分布）映射成复杂的目标数据分布。

用一句话概括：输入经过一系列可逆变换，最终得到一个等价于标准高斯分布的隐变量；反过来，从标准高斯分布采样，再走一遍逆向变换，就能生成新样本。

这个“可逆”是归一化流与其他生成模型最本质的区别。VAE 只保证“正向编码、反向解码”，但不保证中间隐变量到数据的一一对应关系；GAN 的生成器只是一条单向通道，根本没有编码路径；扩散模型的正向过程是逐步加噪，反向过程靠学习去噪网络逼近。而归一化流要求每一层变换在数学上严格可逆，因此训练时可以做精确的似然计算。

2.2 数学本质与雅可比行列式

归一化流的数学基础是概率密度的变量替换公式。假设我们有一个可逆映射 (f: z \rightarrow x)，那么数据分布 (p(x)) 和隐变量分布 (p(z)) 之间有如下关系：

[ \log p(x) = \log p(z) - \log \left| \det \frac{\partial f(z)}{\partial z} \right| ]

公式里的 (\det \frac{\partial f(z)}{\partial z}) 是雅可比行列式，它衡量变换 f 在局部对体积的缩放程度。训练归一化流时，优化的核心目标就是最大化这个 (\log p(x))。

这里容易产生一个误解：很多人以为归一化流的难点在“设计多层网络”，其实真正的难点在“设计可逆网络”。并不是随便堆叠几层神经网络就能构成归一化流，每一层的结构必须保证逆变换可计算、雅可比行列式可高效求解。因此，归一化流领域出现了很多特殊的网络层设计，比如 Affine Coupling Layer、ActNorm、Invertible 1x1 Convolution 等等。这些设计的目标只有一个：在不牺牲表达能力的前提下，保证可逆性和计算效率。

2.3 与其他生成模型的对比

从这个表能看出，归一化流在“训练目标和采样效率”上有独特优势：既能拿到精确似然，又能在生成时单步完成。但它的瓶颈也明显——为了保证可逆性，网络不能像扩散模型那样随意堆叠 transformer block，因此同样参数量的情况下表达能力可能受限。

2.4 归一化流适合解决什么问题

从实际工程角度看，归一化流最值得关注的价值有三个：

第一，精确密度估计。很多场景不只是要生成样本，还要评估某个样本出现的概率。归一化流可以直接输出对数似然值，这在异常检测、数据筛选、样本评估中是硬需求。

第二，快速采样。不需要像扩散模型那样反复迭代，一次前向计算就能生成样本。在实时交互、低延迟推理场景下，这个特性是决定性的。

第三，连续空间的双向映射。归一化流天然具备编码和解码的双向能力，这非常适合做跨模态对齐。你可以把文本语义编码到隐空间，然后通过流模型生成图像；也可以把图像编码到隐空间，再通过语言模型解读。这种“双向可逆”的能力，是 GAN 不具备的。

正是基于这些特性，STARFlow2 才会选择归一化流作为语言模型和多模态数据之间的桥。

3. 为什么需要用归一化流“桥接”语言模型

3.1 语言模型的边界在哪里

大语言模型经过预训练和指令微调后，已经具备相当强的意图理解、规划、上下文推理能力。但在多模态生成任务里，语言模型有一个天然边界：它不擅长处理连续、高维、强结构的感知信号。

试想让 GPT 直接用 softmax 预测 1024x1024 图像的 RGB 像素值，每个像素有 256 种可能，一张图就是几百万个分类变量。这既不现实，也没有必要。合理的做法是让语言模型做它擅长的事情：理解用户意图、生成条件向量、规划内容结构；把具体到像素/波形的生成任务交给专门的连续生成模块。

3.2 两种主流桥接方式的局限

目前业界最常用的桥接方式有两种：

方式一：离散 token 桥接。把图像切成 patch，用 VQ-VAE 把每个 patch 映射成离散码，然后让语言模型预测离散码序列。这种方式的优点是模型架构统一、训练pipeline简单，但代价是信息丢失。VQ-VAE 的码本大小有限，离散化必然引入重建误差；而且视频、3D、高分辨率图像需要极长的 token 序列，自回归生成速度会显著下降。

方式二：扩散模型桥接。语言模型生成文本 embedding 或条件特征，扩散模型以这些特征为条件，迭代去噪生成目标模态。这种方案质量高，但采样过程是串行的多步迭代，难以并行，延迟和算力开销都比较大。在某些对延迟敏感的应用里，扩散模型的迭代特性会成为瓶颈。

3.3 归一化流桥接的独特价值

STARFlow2 的做法可以理解成：把归一化流放在语言模型和具体模态之间，作为一个统一的连续生成接口。

语言模型负责输出条件表征，归一化流负责在这个条件表征的指导下，从标准高斯分布出发，通过可逆变换生成目标模态的数据。因为归一化流是连续可逆的，所以训练时可以直接计算似然，采样时可以一步完成。

从架构角度看，这种桥接方式有几个非常实际的好处：

第一，统一接口。不同的模态（图像、音频、3D、视频帧）都可以被建模为连续张量，归一化流不需要为每种模态单独设计复杂的离散化逻辑。

第二，训练目标清晰。归一化流可以直接优化“数据概率”，不需要对抗训练，也不依赖变分下界，训练稳定性比 GAN 好，对超参数敏感度低于扩散模型。

第三，采样路径短。如果归一化流设计得当，从隐变量采样到生成内容只需要一次前向，这个特性和语言模型的 token 自回归解码相结合时，整体延迟可控性更强。

当然，这种桥接也有风险。归一化流的表达能力受可逆结构限制，如果任务过于复杂（比如需要生成超高分辨率图像），单靠归一化流可能力不从心，需要引入多尺度结构或层次化生成。

4. STARFlow2 的架构设计思路拆解

从标题和材料看，STARFlow2 的核心目标是“统一多模态生成”。这不是简单地把单模态模型组合在一起，而是设计一个共享骨干、共享隐空间的生成框架。

4.1 三段式架构：Encoder + Language Model + Flow Decoder

从工程角度推测，STARFlow2 的架构可以拆成三个核心模块：

• 输入编码器：将文本、图像、音频等不同模态的数据统一编码到连续隐空间。
• 语言模型骨干：在隐空间上做语义理解、条件建模和跨模态关系推理。
• 归一化流生成模块：将隐空间中的条件表征映射回目标模态的数据空间，完成生成。

这个架构的关键不在于三个模块本身，而在于模块之间的“接口”设计。语言模型输出的究竟是一个向量、一组特征图，还是一组序列？归一化流如何把不同模态的条件信息融合进可逆变换？这些问题决定了整个系统的表达能力上限。

4.2 多模态统一表示的难点

真正的难点在于：文本是离散的语义符号，图像是规则的像素网格，音频是时序波形，3D是点云或体素。这些数据结构差异巨大，要在同一个隐空间里统一表示，必须有一个“模态不可知”的中间表示。

STARFlow2 的归一化流在这里扮演的角色，可能是把不同模态的数据映射到同一个连续潜空间中。一旦所有模态都落在同一个潜空间里，语言模型就只需要处理一种统一的连续表示，跨模态转换就变成了“潜空间到潜空间”的变换问题。

这个思路和“CLIP 把图像和文本映射到同一向量空间”有异曲同工之处，但进一步——CLIP 只做对齐，STARFlow2 想要的是在这个统一空间里完成生成。

4.3 为什么叫“桥接”

“桥接”这个词用得很准确。语言模型和归一化流不是简单的串联关系，而是互补关系。语言模型负责路径规划，归一化流负责精确映射。桥接的实质是：用语言模型的语义能力控制归一化流的生成过程，同时用归一化流的连续可逆特性补足语言模型在连续空间上的短板。

这种桥接如果能跑通，用户就可以用自然语言控制生成：描述一个场景，语言模型解析语义，归一化流根据语义生成多模态内容。这不仅比分开训练单模态模型更高效，也为“一个模型做所有模态生成”提供了新路径。

5. 适用场景与技术边界

5.1 最合适的应用场景

从技术特性倒推，STARFlow2 这类“语言模型 + 归一化流”架构在以下场景最有价值：

• 统一多模态生成平台：希望用一套模型支持文本到图像、文本到音频、跨模态转换、多模态编辑，而不是为每个模态部署独立模型。
• 低延迟生成服务：归一化流单步采样的特性，对实时交互、API 推理有显著优势。
• 需要精确概率估计的任务：归一化流能输出对数似然，适合做生成样本的密度评估、异常检测。
• 数据增强与可控编辑：连续隐空间上的可逆映射，天然适合在隐空间做插值、属性编辑，然后把编辑后的隐变量映射回数据空间。

5.2 不适合或风险较高的场景

• 超高清视频生成：视频数据维度极高，归一化流如果直接建模原始视频像素，网络规模和内存消耗都会失控。更稳妥的做法是先生成紧凑表示，再用其他模型增强细节。
• 大规模综合多模态理解任务：如果任务重点是“理解”而不是“生成”，纯语言模型或视觉-语言模型可能更合适，归一化流的优势发挥不出来。
• 对生成多样性和细节极致要求的研究场景：归一化流的表达能力受可逆性约束，在极致细节生成上可能不如大扩散模型。

5.3 技术成熟度判断

必须坦诚地说，STARFlow2 目前更偏向研究性成果，而非开箱即用的工业产品。材料有限的情况下，我不会给出具体的评测数据或“我实测过生成效果”这样的判断。从公开方向看，这套架构的工程化基础是通用的深度学习框架，归一化流的基础实现也有很多开源参考，但要做生产级系统，还需要在训练稳定性、数据对齐、推理基础设施上投入额外工作。

6. 环境准备与实验验证思路

虽然 STARFlow2 没有统一的官方安装包，但“语言模型 + 归一化流”的搭建路径是可以标准化的。下面给出一个最小验证环境的搭建过程，以及一段简化版归一化流实现。注意：下面的代码是帮助你理解核心思路的演示，不是 STARFlow2 官方代码。

6.1 环境建议

# 创建一个干净的 Python 环境 conda create -n flow-demo python=3.10 -y conda activate flow-demo # 安装核心深度学习依赖 pip install torch torchvision numpy matplotlib

版本建议：Python 3.10 或 3.11，PyTorch 选择当前稳定版即可。不同的操作系统在 CUDA 版本上有差异，如果只用 CPU 调试，上边的命令就够了；如果要训练大数据集，请根据官网选择匹配本机 CUDA 版本的安装方式。

6.2 最小可逆变换实现

归一化流最经典的入门结构是 Affine Coupling Layer。它的核心思想是：把输入分成两半，前一半不做变换，只用来计算后一半的缩放和平移参数，因此逆变换很容易推导。

# 文件路径：flow_layers.py import torch import torch.nn as nn import torch.nn.functional as F class AffineCoupling(nn.Module): def __init__(self, feature_dim, hidden_dim=128): super().__init__() # 输入被切分为两半，前一半用于生成缩放和平移参数 self.scale_net = nn.Sequential( nn.Linear(feature_dim // 2, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, feature_dim // 2), ) self.shift_net = nn.Sequential( nn.Linear(feature_dim // 2, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, feature_dim // 2), ) self.feature_dim = feature_dim def forward(self, x, reverse=False): """ 正向：x -> z 反向（生成）：z -> x """ x_a, x_b = x.chunk(2, dim=-1) if not reverse: scale = torch.tanh(self.scale_net(x_a)) shift = self.shift_net(x_a) z_b = x_b * torch.exp(scale) + shift z_a = x_a z = torch.cat([z_a, z_b], dim=-1) # 对数雅可比行列式：仅缩放项贡献 log_det = scale.sum(dim=-1) return z, log_det else: scale = torch.tanh(self.scale_net(x_a)) shift = self.shift_net(x_a) y_b = (x_b - shift) / torch.exp(scale) y_a = x_a y = torch.cat([y_a, y_b], dim=-1) return y

这个实现做了两点简化：一是用tanh限制缩放范围，避免指数爆炸；二是直接对半切分特征，便于逆变换。真实项目里通常还会引入可逆的 1x1 卷积来打乱通道顺序，提升表达能力。

6.3 堆叠归一化流模型

单一耦合层表达能力有限，通常要把多个耦合层串联起来，并在每层之间打乱特征顺序。

# 文件路径：flow_model.py import torch import torch.nn as nn from flow_layers import AffineCoupling class SimpleFlow(nn.Module): def __init__(self, feature_dim=2, num_layers=8, hidden_dim=128): super().__init__() layers = [] for i in range(num_layers): layers.append(AffineCoupling(feature_dim, hidden_dim)) self.layers = nn.ModuleList(layers) self.feature_dim = feature_dim def forward(self, x): """ 训练阶段使用：计算对数似然 x: [batch_size, feature_dim] """ z = x log_det_sum = 0.0 for layer in self.layers: z, log_det = layer(z) log_det_sum = log_det_sum + log_det return z, log_det_sum def sample(self, batch_size=16): """ 生成阶段使用：从标准高斯采样，反向传播得到新样本 """ z = torch.randn(batch_size, self.feature_dim) x = z for layer in reversed(self.layers): x = layer(x, reverse=True) return x

这里体现了归一化流“训练和生成走同一条路径正反方向”的核心设计。训练时样本从数据空间流到隐空间，算对数似然损失；生成时从隐空间采样，沿反向映射回数据空间。

6.4 训练循环

为了让演示可以跑通，我定义一个简单的二维数据生成任务：从一个“双月”形状的分布中采样数据，让归一化流学会这个分布。

# 文件路径：train_demo.py import torch import torch.nn as nn from torch.optim import Adam from flow_model import SimpleFlow def make_moons(n_samples=2048): """生成双月形二维数据，用于演示归一化流拟合复杂分布""" t = torch.linspace(0, 2 * 3.1415926, n_samples) x1 = torch.cos(t) y1 = torch.sin(t) x = torch.cat([x1, -x1 + 1.0], dim=0) y = torch.cat([y1, y1 - 0.5], dim=0) noise = torch.randn_like(x) * 0.05 return torch.stack([x + noise, y + noise], dim=-1) def train(): model = SimpleFlow(feature_dim=2, num_layers=8, hidden_dim=64) optimizer = Adam(model.parameters(), lr=1e-3) dataset = make_moons(4096) for epoch in range(100): permutation = torch.randperm(dataset.size(0)) total_loss = 0.0 for i in range(0, dataset.size(0), 128): idx = permutation[i:i + 128] x = dataset[idx] z, log_det = model(x) # 标准高斯对数似然 log_probs = -0.5 * (z ** 2).sum(dim=-1) - 0.5 * 2 * 3.1415926 log_likelihood = log_probs + log_det loss = -log_likelihood.mean() optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() * x.size(0) if (epoch + 1) % 20 == 0: print(f"Epoch {epoch + 1}, Loss = {total_loss / dataset.size(0):.4f}") samples = model.sample(batch_size=512).detach().numpy() np.save("flow_samples.npy", samples) print("采样结果已保存到 flow_samples.npy") if __name__ == "__main__": train()

训练中需要 import numpy 作为 np，效果验证时可以拿flow_samples.npy做散点图，观察生成分布是否接近训练数据的“双月”形状。

这个小示例虽然远不能代表 STARFlow2 的实际复杂度，但它把归一化流的三个关键环节都串起来了：可逆层定义、训练损失计算、单步采样生成。如果你能把这个 demo 跑通，再去看 STARFlow2 的论文和代码，理解门槛会低很多。

7. 运行结果与效果验证

7.1 如何判断训练效果

运行上面的训练脚本时，正常情况下你看到的 loss 应该逐步下降。双月分布不是一个特别复杂的分布，8 层耦合层通常已经能学到大致形状。

关键判断指标有三个：

• 训练 loss 是否稳定下降，而不是震荡或发散。
• 采样出的 2D 点是否覆盖训练数据的分布范围。
• 使用np.save保存采样点后，用 matplotlib 画散点图，观察是否出现“双月”的弯曲形态。

如果出现明显的空洞或单一区域聚集，说明归一化流的表达能力不足，可以增加层数或 hidden_dim。

7.2 生成过程的验证命令

# 训练并保存采样结果 python train_demo.py # 快速做可视化检查（简单脚本，也可以直接在 notebook 里执行） python -c " import numpy as np import matplotlib.pyplot as plt samples = np.load('flow_samples.npy') plt.scatter(samples[:, 0], samples[:, 1], s=1, alpha=0.6) plt.axis('equal') plt.savefig('generated_distribution.png', dpi=150) print('可视化已保存') "

如果训练数据是双月形状，生成样本的可视化也应该呈现两个弯月形的簇，分布边缘带有训练数据中同样量级的噪声，而不是完全散成一片。

7.3 失败时的第一步排查

如果 loss 不降、NaN、或者生成分布完全不像训练数据，第一步不要急着调模型结构，而是先确认数据预处理和损失计算。归一化流对数值稳定性比较敏感，常见问题集中在：

• 损失函数里对数似然和 log_det 的符号是不是写反了。
• 缩放网络输出有没有范围限制，exp(scale)是否爆炸。
• 训练数据有没有太大或太小，最好是零均值、单位方差附近的量级。

从这些点入手，比盲目堆更深的网络更有效。

8. 常见问题与排查思路

对于“语言模型 + 归一化流”架构，实际工程中遇到的问题会比上面这个 2D demo 复杂得多。下面这张表覆盖了我认为最需要提前注意的几类问题。

这张表里最值得记住的一条经验是：归一化流的训练性问题和表达能力问题是两回事。出现 NaN 或梯度爆炸，优先检查数值稳定性，而不是换更大的模型；生成分布覆盖不全，优先增加模型容量，而不是反复调学习率。

9. 最佳实践与工程建议

9.1 数据层面的建议

多模态统一生成最容易被低估的是数据对齐成本。文本是一维离散序列，图像是二维连续网格，音频是一维连续波形，视频是三维时空数据。把这些数据对齐到同一个隐空间时，需要对所有模态做统一的预处理和标准化。

我的建议是：先建立一个统一的张量协议，规定每种模态编码后的形状、数值范围、padding 方式。如果没有统一协议，模型训练阶段就会出现各种维度不匹配的隐性 bug，调试成本极高。这个协议最好写成一个数据配置类，集中管理，而不是散落在各个训练脚本里。

9.2 训练稳定性建议

归一化流训练对数值稳定性非常敏感，尤其是雅可比行列式计算和逆变换过程。生产环境里建议：

• 初始化时对权重做特殊处理，尽量让每层输出尺度稳定在 1 附近。
• 使用梯度裁剪，防止个别 batch 的异常梯度破坏长期训练。
• 周期性保存 checkpoint，并把训练 loss、梯度范数、采样效果同步记录到日志平台。
• 在模型内部添加 scale clamp 或 log scale 限制，从根源上避免exp溢出。

9.3 模型选型与扩展建议

如果你只是在验证思路，2D demo 完全够用；如果你想处理图像，我建议先在 32x32 或 64x64 的低分辨率上验证；如果你想处理高分辨率内容，不要直接用归一化流建模原始像素，更稳妥的做法是分成两阶段：先让归一化流建模语义潜空间，再让专门的上采样模块负责高频细节。

这种“粗粒度归一化流 + 细粒度增强模块”的组合，比直接训练一个超大流模型更符合工程实际。

9.4 安全与合规提醒

生成模型必须考虑内容安全和合规问题。在真实项目里，我建议至少做四件事：输入指令过滤，防止恶意或违规提示词；输出内容审核，避免生成不当内容；模型来源检查，只使用可合法授权的预训练模型和数据；日志记录与审计，为每一个生成请求保留可追溯记录。如果系统被用于公开服务，务必遵守所在地区的生成式人工智能管理规范，提前走完备案和安全评估流程。

10. 总结与后续学习方向

STARFlow2 给多模态生成带来的启发，不在于归一化流本身是新技术，而在于它提供了一个更合理的分工：语言模型管语义、管规划、管跨模态理解，归一化流管连续空间映射、管精确生成、管快速采样。两者桥接起来，才有可能真正实现“一个模型统一生成多种模态内容”的目标。

如果你现在要从头验证这套思路，我建议按照下面这条路径推进：

第一步，把文中的 2D 归一化流 demo 跑通，巩固对可逆变换、对数似然、单步采样的理解。

第二步，用一个简单数据集（如 MNIST、CIFAR-10）替换 2D 数据，把仿射耦合层扩展到图像级别，观察归一化流生成图像的形态和局限。

第三步，引入一个中型语言模型或预训练文本编码器，把文本条件注入归一化流模型，验证“文本描述 → 条件生成”的基本链路。

第四步，再考虑统一多模态：设计共享编码器，把图像、音频等数据编码到同一隐空间，并用语言模型做统一条件控制。

这个路径需要的时间不短，但它能让你真正理解“桥接”的含义，而不是停留在“多模态 = 拼模型”的层面。如果你对归一化流的数学原理更感兴趣，下一步可以深入推导可逆层设计、雅可比矩阵的快速计算、多尺度流结构等主题。希望这篇文章能成为你进入这个方向的起点。