一步生成SOTA也不够，何恺明团队「漂移模型」遭ICML拒稿

本文详细报道了何恺明团队提出的漂移模型在ICML 2026论文评审中被拒的情况。漂移模型的核心思想是将推理阶段的分布演化过程前移到训练阶段，使得模型在训练结束后仅需一次前向推理即可生成高质量图像，在ImageNet 256×256数据集上取得了接近1.5的FID分数。然而，四位审稿人给出了5/4/4/3的分数，主要争议集中在两个方面：一是模型对特征编码器的依赖，论文发现离开特定预训练特征空间（如latent-MAE）后漂移场在原始像素空间难以稳定工作；二是漂移场与CFG（无分类器引导）的贡献难以厘清，以及与其他现有方法（如DMD、MMD、GAN等）的关系需要进一步说明。作者在rebuttal中补充了无CFG消融实验和DINO-FD等指标，但最终仍被拒稿。文章指出，类似LSTM、Dropout、YOLO等著名工作也曾被拒，漂移模型虽然未被顶会接收，但为一步生成领域提供了一个有分量的研究方向，即高质量生成不必将所有复杂计算留在推理阶段，训练阶段同样可以承担更关键的分布演化任务。