钱投网生成模型也能端到端训练了？核心竟是一个for循环

编辑｜Panda

2012 年，AlexNet 用一场压倒性的胜利终结了一个时代。在此之前，做图像识别要靠人手工设计一层层特征提取的流程；AlexNet 证明了一件后来被反复验证的事：把整个任务端到端地交给模型自己学，几乎总是打得过人类精心设计的分阶段流水线。

从图像分类到目标检测再到图像分割，深度学习的每一次跃迁背后，都是同一句话：让它自己一口气学完。

只有一个领域始终是例外：生成模型。

今天最强、最能扩展的生成模型（无论是自回归还是扩散模型）都不是端到端的。

它们训练时只学预测「一小步」，推理时却要像循环网络那样把这一步反复展开几百上千次。

训练和推理用的不是同一套采样方式。这个裂缝带来了一个老问题：每一步的误差会喂进下一步，输入逐渐漂离训练时见过的分布，误差层层累积。学术上管它叫「暴露偏差」（exposure bias）。

换句话说，「端到端更好」这条深度学习最核心的经验，十几年来始终没能真正落到生成模型头上。

而就在最近，一篇来自 UIUC 与哈佛大学的论文，试图把这块最后的拼图补上。

作者给这个新范式起了个名字，叫 Explorative Modeling（探索式建模），模型简称 XM。它的想法简单到近乎朴素，却指向一个大胆的结论：生成模型除了参数和数据，其实还有第三根可以放大的轴。

项目网站：https://explorative-modeling.github.io

论文地址：https://arxiv.org/abs/2607.27372

代码仓库：https://github.com/alexiglad/XM

问题的根源：模型只会「取平均」

要理解这篇论文在解决什么，得先理解生成到底难在哪。

普通的监督学习（比如分类）每个输入基本只有一个正确答案，模型学一个确定的映射就够了。

但生成不一样。你让模型「生成一只狗」，正确答案甚至可能有无穷多个。这些合法的输出，就是数据分布里的一个个 mode（即分布中一个个独立的峰）。生成难，正是因为要同时抓住这么多 mode。

麻烦在于，主流生成模型训练时用的是重构损失（比如平方误差）。当一个输入被随机配上了许多个不同的合法目标，重构损失能给出的最优解，是这些目标的平均值。而对绝大多数数据来说，平均值根本不在数据流形上，而落在几个 mode 中间，谁也不像。

论文里那张图很直观：让模型在没有任何技巧的情况下直接端到端地回归，三堆散点会被它预测成正中间的一个点，一张狗的照片会糊成一团，一句话会退化成把「the」重复到底。这就是「mode 模糊」（mode blurring），即最优解恰恰是最不像真实数据的那个答案。

现有模型是怎么绕过去的？答案是把「生成」这件事拆碎。自回归一次只预测一个元素，扩散一次只去掉一点噪声，每一小步的目标都被切到几乎只剩单一 mode，于是重构损失就不会再去取平均。

这套「拆分生成过程」正是扩散和自回归能做出高质量样本的原因，但也正是它，让模型没法端到端。

作者由此提出了一个关键的追问：一个生成模型只有两样东西可以拆，一个是怎么生成，一个是怎么训练。

既然拆生成这条路会毁掉端到端，那为什么不去拆训练呢？

一个 for 循环：探索式建模的全部内核

Explorative Modeling 拆的就是训练循环本身。

它的机制可以用一句话说清：在每一个训练步，模型不再只生成一个样本去硬凑目标，而是生成 K 个候选，然后只挑其中离真实数据最近的那一个来训练、回传梯度。论文里把它实现成一个 3 到 5 行的 for 循环，简单到有点让人怀疑（Algorithm 1）。

为什么这么做就能解决 mode 模糊？

换个生活里的场景：猜飞镖落点。如果只让你猜一次，你的最优策略是猜所有飞镖的平均位置，可那往往是靶盘上根本没几支飞镖扎中的地方。但如果允许你猜 K 次、且只按最接近的那一次算分，最优策略立刻变了：你会把这几次猜测散开，让每一次去覆盖一簇不同的落点。

模型也是一样。当它被允许探索 K 个候选，不同的输入噪声就会各自「认领」一个不同的 mode，而不是全都挤到中间去取平均。探索多少次，模型就能稳稳抓住多少个 mode。

作者给这个被长期忽视的能力起了个名字：生成表达力（generative expressivity），并指出它由训练目标本身决定，无论你把参数和数据堆到多大，它都不会自己涨上去。

这也解释了一个业内早就观察到的怪现象：为什么今天最好的模型都那么依赖「引导」（guidance）技术。

所谓无分类器引导，本质是把预测「推离」那个模糊的平均值。但如果模型自己不糊，又何必去推它？引导之所以有用，恰恰是 mode 模糊留下的病根。

论文还给出了 Forward 和 Reverse 两种探索方向：前者固定一个真实目标、在自己的生成里搜最近的一个，偏向「查全」（覆盖所有 mode）；后者固定一个生成、在真实数据里搜最近的一个，偏向「查准」，且几乎不增加算力开销，代价是可能塌缩到少数 mode。两者互补，可以组合使用。

第三根轴：越放大，收益越大

这篇论文最有分量的结论，是把「探索」验证成了一根真正的 scaling 轴。

作者把探索加到扩散/流模型、Jumpy 模型乃至掩码扩散语言模型上，在图像、视频、语言三种模态上一致地看到性能单调提升。更关键的是收益随规模的走向：越放大越猛。

论文给出的数字是：随着数据规模增长，探索带来的增益从 7% 一路爬到 36%；随着模型增大，从 13% 爬到 23%；当算力翻到三倍时，效率增益直接翻了一倍多。

具体到效率上，探索把 FLOP 效率提升了 4.1 倍、样本效率提升了 6.2 倍、参数效率提升了 47%。在图像生成上，它把当前最强的 RAE 配方进一步推到了 ImageNet 上无引导 1.43 的 FID，逼近业界最好水平。

一个探索 5 个 mode 的 Large 模型，甚至能跑赢一个多了 47% 参数却不做探索的 XLarge 模型。

这个走向的含义并不小。作者的解释是：小规模时，模型主要被参数和数据卡着，生成表达力还不是瓶颈；可一旦参数和数据放大到「不再是限制」的地步，生成表达力就会越来越成为那个真正的瓶颈。而它正是探索能直接放大的东西。

考虑到当下真正的基础模型训练，用的算力比这篇论文最大的实验还高出约四个数量级，作者认为论文里报出的这些数字，很可能只是更大规模下收益的下限。

真正端到端的生成

如果把探索推到极限，会发生什么？答案回到了开头那个悬念：生成模型终于可以端到端了。

作者把 XM 当作独立的端到端模型，拿去做机器人控制任务。在行为克隆（Behavior Cloning）上，他们的 Explorative Policy 只用一次网络前向就追平甚至超过了需要 100 次前向的 Diffusion Policy；在目标导向的世界建模上，Explorative World Model 用比 Diffuser 少 16 到 256 倍的推理算力，做到了更好的平均表现。

这个差距的来源很清晰：扩散模型是在推理时用几百步生成来换取表达力，而端到端的 XM 把这笔账挪到了训练时的探索上，推理因此只需一次前向。「处理多 mode」这同样一件事，要么在推理时慢慢拆，要么在训练时一次探索到位；这篇论文选择了后者。

作者介绍

这篇论文的第一作者 Alexi Gladstone 并不是生面孔。就在 2025 年 7 月，他主导的 Energy-Based Transformers（EBT）曾在社交平台上引发过不小的讨论。

那项工作声称首次在多个维度上「跑赢」了标准前馈 Transformer 的扩展曲线，并试图把「System 2 思考」推广到任意 mode。参阅机器之心报道《新范式来了！新能量模型打破 Transformer++扩展上限，训练扩展率快 35%》。

Explorative Modeling 与他一贯的思路一脉相承：都在追问「模型能不能通过某种搜索、探索的方式，去做单次前向做不到的事」。而这篇论文更是建立在他与合作者（Yilun Du 和 Heng Ji）的另一套理论 Mode Forcing 之上。论文里坦言，正因为有那套理论在先，XM 的大部分结果是先被理论预测、再被实验验证的，这在以「跑完实验再解释」为常态的深度学习圈里，并不多见。