生成式 AI 的浪潮中，我们见证了从 Stable Diffusion 到 FLUX、Qwen-Image 等大规模扩散模型的画质飞跃。然而，这种飞跃并非没有代价。为了从纯噪声中 “雕刻” 出清晰的图像，这些模型通常需要进行40 到 100 步（NFE）的迭代去噪。这种延迟使得模型很难真正应用于实际的实时生成或大规模服务。
于是，“少步生成”（Few-step Generation）成为了必争之地。对于原本教师模型曲折的生成轨迹，目前的少步加速方案（如 Progressive Distillation, Distribution Matching 等）都在试图做同一件事：把弯路拉直，一步到达终点。
然而，原本高维空间的生成轨迹极其复杂，强行 “拉直” 会导致轨迹上的几何失配（Geometric Mismatch）。这直接导致了少步生成时的结构崩坏和细节丢失。
有没有一种方法，既能快，又能顺应原本蜿蜒的生成轨迹？
复旦大学与微软亚洲研究院带来的ArcFlow给出了答案：如果路是弯的，那就学会 “漂移”，而不是把路修直。