Naukowcy z arXiv zaproponowali FlowBudget - metodę do automatycznego szacowania, ile ewaluacji funkcji potrzeba do efektywnego próbkowania z pretrenowanych modeli flow matching. Problem, który rozwiązują, to fakt, że obecne praktyki polegają na dziedziczeniu budżetu próbkowania z wcześniejszych prac lub na kosztownych przeszukiwaniach parametrów, gdzie trzeba generować przykłady przy wielu różnych budżetach i porównywać ich jakość za pomocą metryki FID.
FlowBudget działa bez generowania próbek. Zamiast tego wykorzystuje symulacyjnie darmowe sondy interpolacyjne do zbadania dynamiki nauczonych reprezentacji modelu. Algorytm normalizuje błąd dyskretyzacji prowadzący krok w stosunku do ruchu, szacuje jego współczynnik z sond interpolacyjnych, a następnie mapuje tolerancję numeryczną na budżet kroków, uwzględniając rząd solvera. Podejście obejmuje estymatory dla różnych solverów - Euler i Heun do próbkowania ODE oraz addytywny Euler-Maruyama do próbkowania SDE.
Autorzy testowali metodę na modelach SiT, FlowDCN i Rectified Flow, obejmujących różne architektury flow-based. Znaczenie leży w praktycznym przyśpieszeniu optymalizacji parametrów modeli, które dziś stanowi wąskie gardło w iteracyjnym doskonaleniu generatorów. Wynik jest niezależny od konkretnej architektury, co czyni podejście uniwersalnym dla całej rodziny flow-matching models.