什么是 Flow Matching？它的核心思想是什么？与扩散模型有什么关系？

Flow Matching 属于连续归一化流框架：在高斯噪声分布和数据分布之间构造概率路径（常用条件路径$x_t=(1-t)\cdot$噪声 + t·数据 的直线插值），训练目标是回归该路径上的速度场$v(x_t,t)$，推理时从噪声出发沿学到的 ODE 积分数步采样。与扩散模型的关系：扩散模型可以看作选择特定（弯曲）路径与噪声调度的特例，Flow Matching 的直线路径让训练目标更简单、采样步数更少（Rectified Flow 还能通过 rerun 把路径进一步拉直）。

在具身语境下的落点是 π0：动作专家用 Flow Matching 生成连续动作块，少步 ODE 积分即可满足高频控制。高频追问：与 DDPM/DDIM 的目标差异、为什么回归向量场比预测噪声更稳、以及步数-质量权衡如何调。