香港大学与字节跳动联手打造的Goku：让AI同时掌握图片和视频生成的"变形金刚"

当你打开手机里的AI绘图应用，输入一句"阳光下奔跑的猫咪"，几秒钟后就能看到一张精美的图片时，你是否想过，如果这个AI不仅能画出静态图片，还能生成动态视频会是什么样？来自香港大学和字节跳动的研究团队刚刚实现了这个听起来像科幻小说的想法。他们开发出了一个名为Goku的AI系统，这项突破性研究于2025年2月10日发表在arXiv预印本平台上（论文编号：arXiv:2502.04896v2），由香港大学的陈守发、葛重建等学者与字节跳动的研究团队共同完成。

把Goku比作一位多才多艺的艺术家最为贴切。传统的AI艺术家要么专精画画，要么专精拍视频，很少有人能同时掌握这两种技能。而Goku就像一位既能画出精美插画，又能制作流畅动画的全能创作者。更令人惊叹的是，这位"艺术家"使用的创作方法也与众不同——它采用了一种叫做"修正流"的技术，这就像是在创作过程中使用了一条笔直的创意之河，而非传统AI常用的弯弯绕绕的创作路径。

研究团队面临的挑战就像要教会一个人同时学会两门截然不同的艺术形式。静态图片创作注重细节和构图的精准，而视频制作则需要掌握时间流动和动作连贯性。传统做法通常是分别训练两个专门的AI系统，就像培养两个专业艺术家，一个专门画画，另一个专门做动画。但Goku采用了革命性的"统一训练"方法，让同一个AI系统学会处理图片和视频两种完全不同的创作任务。

更为重要的是，这不仅仅是一个实验室里的技术演示。研究团队精心准备了海量的训练材料——约1.6亿张图片和3600万段视频，这些素材经过精心筛选和标注，就像为这位AI艺术家准备了世界上最丰富的创作参考资料库。在多项严格的测试中，Goku都表现出了业界领先的水平，特别是在VBench视频生成测试中获得了84.85分的优异成绩，在GenEval图片生成测试中达到了0.76分，都位列当前最先进系统的前茅。

### 一、统一的创意工厂：图片视频一体化训练的革命

Goku最核心的创新就像建立了一座能够同时生产静态海报和动态广告的智能工厂。在传统的AI创作世界里，制作图片和视频通常需要两套完全不同的生产线，就像一家公司需要分别设立摄影部门和电影制作部门。但Goku打破了这种界限，创造了一条能够灵活切换的统一生产线。

这种统一的创作方法建立在一个巧妙的基础上：将图片和视频都转换成相同的"创作语言"。研究团队使用了一种叫做"3D联合变分自编码器"的技术，这个名字听起来复杂，但可以理解为一个智能的格式转换器。它能将不同类型的视觉内容——无论是静态图片还是动态视频——都转换成计算机更容易理解和处理的统一格式。这就像有一台神奇的翻译机，能把中文、英文、法文都翻译成同一种通用语言，让后续的创作过程变得更加顺畅。

在这个统一的创作环境中，Goku采用了"全注意力机制"，这可以理解为给AI配备了一双能够同时关注画面所有细节的眼睛。无论是处理一张风景照片中的每一棵树，还是追踪视频中人物动作的每一个细微变化，这套机制都能确保AI不会遗漏任何重要信息。传统的视频AI系统往往需要分别处理时间维度和空间维度的信息，就像需要两只眼睛分别负责看左右，而Goku的全注意力机制让AI能够用一双眼睛同时看清整个画面的所有内容。

为了让这种统一训练真正发挥效果，研究团队还开发了一种称为"Patch n' Pack"的智能调度系统。这个系统就像一个聪明的工厂调度员，能够将不同尺寸的图片和不同长度的视频巧妙地组合在一起进行批量处理。传统做法需要将所有材料裁剪成相同尺寸，这会造成大量信息损失，而Goku的调度系统能够像俄罗斯方块一样，将各种形状的内容完美拼接在一起，既提高了处理效率，又保持了原始内容的完整性。

这种统一训练方法带来了一个意外的好处：图片和视频之间的相互促进。高质量的图片训练数据帮助AI更好地理解视觉细节和美学标准，而视频数据则教会了AI如何处理动态变化和时间连续性。这就像让一个艺术学生同时学习素描和动画制作，两种技能相互促进，最终达到1+1大于2的效果。

### 二、修正流技术：创作过程的直线加速器

如果说传统的AI创作过程像在山路上蜿蜒前行，那么Goku采用的修正流技术就像开通了一条从起点到终点的高速直线公路。这种技术的革命性在于它彻底简化了AI从随机噪声到精美作品的创作路径。

传统的扩散模型创作过程就像一个反复修改的创作过程。AI从一张充满噪点的模糊图像开始，需要经过成千上万次微小的调整和修改，每次都要判断"这样改对不对"、"还需要怎么调整"，整个过程既耗时又复杂，就像一个画家需要在画布上反复涂抹修改数千次才能完成一幅作品。

修正流技术完全改变了这种创作方式。它在随机噪声（起点）和目标作品（终点）之间建立了一条直线路径，AI只需要沿着这条直线前进就能到达目的地。具体来说，修正流通过线性插值的方式，将噪声和真实数据连接起来，创建训练样本的公式是：x_t = t·x_1 + (1-t)·x_0，其中t代表创作进度，x_1是目标图片或视频，x_0是初始噪声。

这种方法的优势就像从复杂的迷宫导航变成了简单的直线行走。研究团队通过实验验证了这种优势：在相同的计算资源下，使用修正流的Goku-1B模型在40万步训练后就能达到传统扩散模型需要100万步才能达到的效果。这意味着修正流技术不仅让创作过程更快，还让训练过程更高效。

为了验证这种技术的有效性，研究团队进行了详细的对比实验。他们使用同样的模型架构，分别测试了传统的DDPM扩散方法和新的修正流方法。结果显示，在ImageNet-1K数据集上，修正流方法在各个训练阶段都表现出更快的收敛速度和更好的生成质量。特别是在FID分数（用来衡量生成图片质量的重要指标）上，修正流方法始终保持领先。

修正流技术还带来了理论上的优势。传统扩散模型的训练目标相对复杂，需要预测每个时间步的噪声，而修正流只需要学习从起点到终点的速度向量，这个目标更加直接和明确。这就像从学习复杂的舞蹈动作组合，简化为学习如何朝着正确方向直线前进，学习难度大大降低。

### 三、数据管理的艺术：从海量素材到精品训练集

创建一个能够同时处理图片和视频的AI系统，就像筹备一场世界级的艺术展览，需要从全球收集最优质的作品，并且要确保每件展品都符合最高标准。Goku项目的数据处理过程可以说是一场精密的筛选和整理工程，最终从海量的网络内容中提炼出了约1.6亿张图片和3600万段视频的精品训练集。

这个筛选过程就像建立了一条严格的质量检验流水线。原始视频首先需要通过基础的技术检测，包括持续时间至少4秒、分辨率不低于480像素、比特率不低于500kbps、帧率不低于24fps等基本要求。这些标准确保了训练素材的基本质量，就像艺术展览需要确保每件作品都有基本的展示价值。

接下来是更加精细的内容筛选环节。研究团队开发了多层次的评估系统，其中美学评分系统特别值得关注。这个系统能够自动评估视频每一帧的视觉质量，只有平均美学评分达到标准的视频才能入选。对于不同分辨率的内容，标准也有所不同：480×864分辨率的内容需要达到4.3分以上，而720×1280以上的高分辨率内容则需要达到4.5分的更高标准。

文字识别过滤是另一个关键环节。研究团队使用OCR技术检测视频中的文字内容占比，将文字覆盖率过高的视频剔除出去。这样做的原因是带有大量文字的视频往往是新闻、广告或教学内容，这些内容的视觉风格相对单一，不利于训练AI的创作多样性。不同分辨率的内容有不同的文字占比限制：480×864分辨率内容的文字占比不能超过2%，而720×1280以上的高分辨率内容文字占比则不能超过1%。

动态评估是视频独有的筛选环节。研究团队使用RAFT光流算法计算视频的运动强度，既要避免过于静态的内容，也要排除运动过于剧烈的内容。对于480×864分辨率的视频，运动分数需要控制在0.3到20.0之间，而720×1280以上分辨率的视频运动分数则控制在0.5到15.0之间。这种精确的动态控制确保了训练数据既有丰富的动态变化，又不会因为运动过于复杂而影响AI的学习效果。

在视频切片处理方面，研究团队采用了智能的场景检测技术。他们首先使用PySceneDetect进行粗粒度的场景分割，然后使用DINOv2特征提取技术进行精细化处理。通过计算相邻帧之间的相似度，当相似度低于设定阈值时就进行切片分割，确保每个片段都有相对统一的视觉内容。为了保证数据的多样性，来自同一原始视频的不同片段还需要通过感知哈希值比较，避免过于相似的内容重复入选。

字幕生成是整个数据处理流程的点睛之笔。对于图片内容，研究团队使用InternVL2.0模型生成详细的描述文字。对于视频内容，处理过程更加复杂：首先使用InternVL2.0为关键帧生成描述，然后使用Tarsier2模型为整个视频生成动态描述，最后使用Qwen2大语言模型将这些描述整合成连贯完整的视频说明文字。特别值得一提的是，研究团队还将前面计算得出的运动分数加入到视频描述中，这样用户就能通过调整提示词中的运动参数来控制生成视频的动态程度。

为了确保训练数据的均衡性，研究团队还建立了内容分类和平衡系统。他们使用视频分类模型将所有内容归类到9个主要类别和86个子类别中，包括人物、风景、动物、食物、城市生活等。在发现人物相关内容训练难度较高但使用需求较大后，研究团队有意增加了这类内容的比重，同时通过数据增强和重采样技术确保各个子类别都有足够的代表性。

### 四、模型架构的精妙设计：Transformer的视频化改造

Goku的核心架构就像一座经过精心改造的智能工厂，在保持原有高效生产能力的基础上，新增了处理动态内容的专门车间。这个改造过程的精妙之处在于，它不是简单地将两套不同的生产线拼接在一起，而是创造了一个能够无缝切换处理静态和动态内容的统一系统。

整个系统的基础架构采用了Transformer技术，但进行了针对视觉生成任务的专门优化。研究团队设计了三种不同规模的模型：轻量级的Goku-1B用于概念验证，平衡型的Goku-2B具有28层结构和1792维度，以及功能强大的Goku-8B包含40层结构和3072维度。这种多规模设计就像提供了小型工作坊、中型工厂和大型生产基地三种选择，用户可以根据实际需求和计算资源来选择合适的版本。

位置编码系统的创新是这个架构的一个重要亮点。传统的Transformer模型主要处理一维的文字序列，而Goku需要同时处理二维的图片空间信息和三维的视频时空信息。研究团队采用了3D RoPE（旋转位置编码）技术，这个技术就像给AI配备了一套三维坐标系统，让它能够准确理解每个像素在画面中的位置以及在时间轴上的位置。这种编码方式的优势在于它具有良好的扩展性，能够处理不同分辨率和不同长度的内容，而不需要重新训练模型。

全注意力机制的实现是另一个技术难点。传统的视频处理模型往往采用分离的时间注意力和空间注意力，就像需要两个不同的观察员分别负责监控时间变化和空间细节。而Goku采用的全注意力机制让AI能够同时关注所有的时空信息，这就像配备了一个能够全方位观察的智能监控系统。为了解决全注意力计算量巨大的问题，研究团队使用了FlashAttention技术和序列并行技术，这些优化就像为这个智能监控系统配备了高速处理器和并行计算能力。

"Patch n' Pack"技术的实现展现了工程设计的巧思。这个技术允许不同尺寸的图片和不同长度的视频在同一个训练批次中混合处理，就像一个智能的物流系统能够将各种规格的包裹高效地装载到同一辆运输车上。这种设计不仅提高了计算资源的利用率，还让模型能够更好地学习处理多样化的输入内容。

查询-键标准化技术的引入解决了大规模训练中的稳定性问题。在训练超大规模模型时，偶尔会出现损失函数突然飙升的情况，这就像工厂生产线偶尔出现的质量事故。查询-键标准化技术通过在注意力计算过程中加入RMSNorm标准化操作，就像在生产线的关键节点安装了质量监控器，能够及时发现和纠正异常情况，确保整个训练过程的稳定进行。

模型的训练策略采用了分阶段的方法，这就像培养一个全能艺术家的过程。第一阶段专注于文本-语义匹配，让AI学会理解文字描述与视觉内容之间的对应关系。第二阶段进行图片-视频联合训练，让AI同时掌握静态和动态内容的生成能力。第三阶段是针对特定任务的精调，分别优化文本到图片和文本到视频的生成效果。这种渐进式的训练方法确保了AI能够稳步提升各项能力，而不会因为任务过于复杂而出现学习困难。

级联分辨率训练是另一个重要的设计考虑。训练过程从低分辨率（288×512）开始，逐步提升到中分辨率（480×864）和高分辨率（720×1280）。这种方法就像学画画时先从简单的素描开始，逐步学习复杂的色彩和细节处理。低分辨率训练让AI快速掌握基本的构图和内容生成能力，然后在此基础上学习处理更精细的视觉细节。

### 五、基础设施的工程奇迹：超大规模训练的技术保障

要训练像Goku这样的超大规模AI系统，就像要建设一座能够容纳数万工人同时作业的超级工厂，不仅需要精密的生产流程设计，更需要强大的基础设施支撑。研究团队在这方面的工程实践可以说是现代AI训练技术的一个典型范例。

并行计算策略的设计是整个基础设施的核心。面对Goku训练过程中产生的超过22万个令牌的超长序列（这相当于处理一篇几十万字的超长文章），传统的训练方法完全无法应对。研究团队采用了3D并行策略，这就像在工厂里同时开设三条不同维度的生产线：序列并行负责处理超长的内容序列，数据并行负责同时处理多个训练样本，模型并行则将巨大的模型参数分散到不同的计算设备上。

序列并行技术的实现特别值得关注。研究团队采用了Ulysses算法，这个算法的工作原理就像一个智能的任务分配系统。当需要处理一个超长序列时，系统首先将序列按照长度维度切分给不同的计算设备，然后在注意力计算时通过all-to-all通信让每个设备都能获得完整的查询、键、值信息。计算完成后，再次通过all-to-all通信将结果汇总。这种方法既保证了计算的准确性，又有效分散了内存压力。

FSDP（完全分片数据并行）技术的应用解决了超大模型的存储问题。传统的数据并行方法需要在每个计算设备上保存完整的模型副本，这对于有数十亿参数的大模型来说是不现实的。FSDP技术就像建立了一个智能的共享存储系统，将模型参数、梯度信息和优化器状态分片存储在不同的设备上，需要时再通过高速网络进行数据交换。研究团队采用了HYBRID_SHARD策略，这种策略在保持高效通信的同时最大程度地减少了存储需求。

激活检查点技术是另一个重要的内存优化方案。在深度学习训练过程中，系统需要保存大量的中间计算结果用于反向传播计算梯度，这就像工厂需要在每个生产环节保存半成品以便质量追溯。但对于超大规模模型，保存所有中间结果需要巨大的内存空间。激活检查点技术通过选择性地保存关键节点的中间结果，需要时再重新计算其他结果，这就像在关键工序设置检查点，既保证了质量追溯能力，又大大节省了存储空间。

容错机制的设计体现了工程实践的成熟度。在使用数千个GPU进行训练时，硬件故障是不可避免的。研究团队集成了MegaScale的容错技术，建立了多层次的监控和恢复系统。这个系统包括硬件自检、多级监控和快速重启机制，就像为超级工厂配备了完整的安全监控和应急响应系统。当检测到某个设备出现问题时，系统能够快速隔离故障设备并重新分配任务，最大程度地减少训练中断时间。

ByteCheckpoint检查点系统是训练稳定性的重要保障。这个系统就像为整个训练过程建立了一套完整的进度保存和恢复机制。它不仅能够高效地保存模型参数、EMA参数、优化器状态和随机种子等关键信息，还支持并行保存和动态重新分片。特别值得一提的是，这个系统支持在不同规模的计算集群之间无缝切换，这意味着可以在一个规模的集群上开始训练，然后在另一个规模的集群上继续训练，大大提高了资源利用的灵活性。

在实际应用中，这套基础设施展现出了卓越的性能表现。对于8B参数的Goku模型，使用数千个GPU进行训练时，完整的检查点保存过程仅需要不到4秒钟，这个时间相对于单次训练迭代的总时间来说几乎可以忽略不计。这种高效率使得系统能够频繁地保存训练进度，即使遇到意外中断也能快速恢复，大大提高了训练的可靠性和效率。

### 六、实验验证：全方位的性能测试与行业对比

要验证Goku这样的复合型AI系统的实际能力，就像要为一个声称既会画画又会拍电影的艺术家安排一系列专业考试。研究团队设计了全方位的测试方案，涵盖了图片生成、视频生成和图片到视频转换三个主要方向，每个方向都包含了多个具有代表性的评测基准。

在图片生成能力的测试中，Goku接受了三个重要考试的检验。GenEval测试专门评估AI理解和执行复杂文本描述的能力，这就像考验艺术家能否根据详细的文字说明创作出准确的作品。在这个测试中，Goku获得了0.70分的基础成绩，当使用经过改写和扩展的详细提示词时，成绩提升到了0.76分，达到了当前业界的最高水平。这个结果特别有意义，因为它表明Goku不仅能处理简单的创作指令，更擅长理解和执行复杂、详细的创作要求。

T2I-CompBench测试则重点考察AI对物体属性的理解和表现能力，包括颜色、形状和纹理三个方面。在这个测试中，Goku在颜色理解方面得分0.7521，形状理解得分0.4832，纹理表现得分0.6691。虽然在形状理解方面还有提升空间，但总体表现已经超过了包括PixArt-α、SDXL等在内的多个知名系统。这个测试结果表明，Goku在细节表现方面具有较强的能力，特别是在色彩还原和纹理细节方面表现突出。

DPG-Bench是专门测试AI处理复杂长文本提示能力的高难度考试，包含1000个详细的创作描述，平均每个描述都包含丰富的场景信息和具体要求。Goku在这个测试中获得了83.65分的优异成绩，不仅超过了DALL-E 3的83.50分，也明显高于其他竞争对手。这个成绩特别能说明问题，因为它表明Goku具备了理解和执行复杂创作任务的能力，这正是实际应用中最重要的需求。

视频生成能力的验证同样全面而严格。在UCF-101数据集的零样本测试中，研究团队让Goku在完全没有见过这些视频类别的情况下，仅根据文字描述生成对应的视频内容。结果表明，Goku生成的视频在多个分辨率下都表现出了优秀的质量。特别是在128×128分辨率下，FVD分数达到了217.24，这是一个非常出色的成绩，表明生成的视频与真实视频在质量和风格上非常接近。

VBench测试是视频生成领域最全面的评估体系，包含16个不同的评价维度，从基本的图像质量到复杂的动作连贯性都有涉及。Goku在这个综合性测试中获得了84.85分的总成绩，在所有参与测试的系统中排名第一。更值得关注的是各个细分项目的表现：在人物动作表现方面得分97.60，动态程度控制方面得分76.11，多对象处理能力得分79.48。这些分数表明Goku不仅在整体质量上表现优异，在处理复杂场景和动态内容方面也具有明显优势。

为了验证图片到视频转换功能，研究团队使用了450万个图片-文本-视频三元组进行专门训练。尽管训练步数相对较少（仅1万步），但Goku展现出了快速学习和适应的能力。在测试中，系统能够根据参考图片和文字描述生成高质量的动画效果，既保持了原图片的视觉特征，又根据文字描述添加了合适的动态效果。

定性比较的结果更加直观地展现了Goku的优势。在与包括CogVideoX、DreamMachine、Pika、Vidu、Kling等多个商业系统的对比中，Goku在处理复杂场景描述时表现出了明显的优势。例如，在"无人机掠过珊瑚礁"的测试案例中，其他系统要么无法生成无人机元素，要么生成的画面静态化严重，而Goku能够准确地生成包含所有描述元素的流畅动画。

消融实验的结果进一步验证了设计方案的合理性。通过对比2B和8B两个不同规模的模型，研究团队发现规模扩大确实能够减少生成内容中的结构性错误，比如人物肢体畸形或物体形状扭曲等问题。联合训练实验的结果更加明显：仅使用视频数据训练的模型容易生成质量较低的画面，而采用图片-视频联合训练的模型生成的内容在视觉质量上有显著提升，这证实了统一训练策略的有效性。

### 七、技术创新的深层价值与未来展望

Goku项目的技术创新意义远远超出了单纯的性能提升，它代表了AI视觉生成领域的一次范式转变。这种转变就像从传统的专业化分工转向全能型人才培养，不仅提高了效率，更重要的是开辟了新的可能性空间。

修正流技术的应用价值在于它为生成式AI提供了一种更加直观和高效的训练范式。传统的扩散模型需要学习复杂的噪声预测过程，就像学习一门需要反复试错的复杂技艺。而修正流技术将这个过程简化为学习从起点到终点的直线路径，不仅降低了学习难度，还提高了收敛速度。这种简化不是功能的削减，而是方法的优化，它为后续的模型改进和扩展提供了更加坚实的基础。

统一架构设计的价值体现在资源利用效率的显著提升上。在实际应用中，许多创作场景都需要同时使用图片和视频功能，传统做法需要部署两套不同的系统，不仅增加了硬件成本，还带来了维护复杂性。Goku的统一架构让用户可以用一套系统满足多种需求，这就像用一台多功能设备替代了多台专用设备，既节省了成本又提高了便利性。

数据处理流程的创新建立了行业新的质量标准。从海量网络内容中筛选出高质量训练数据的过程，不仅需要技术手段，更需要对视觉质量和内容价值的深刻理解。Goku项目建立的多维度评估体系，包括美学评分、动态评估、文字过滤等各个环节，为行业提供了一套可参考的数据质量管理方案。这套方案的价值不仅在于提高了训练数据质量，更在于为整个行业建立了数据处理的标准化流程。

基础设施技术的突破为超大规模AI训练提供了实用的解决方案。面对数千GPU规模的训练集群，如何保证训练的稳定性和效率是一个世界性难题。Goku项目在并行计算、容错机制、检查点管理等方面的技术实践，为行业提供了宝贵的经验参考。特别是ByteCheckpoint系统的4秒快速保存能力，以及支持跨不同规模集群的灵活部署，这些创新为大规模AI训练的产业化应用奠定了基础。

从应用前景来看，Goku技术的影响将是深远的。在内容创作领域，它能够显著降低视频制作的门槛和成本，让普通用户也能创作出专业水准的视频内容。在教育培训领域，它可以快速生成各种教学场景的视觉材料，提高教育内容的丰富性和吸引力。在游戏娱乐行业，它能够为游戏开发提供大量的场景素材和角色动画，加速游戏制作流程。

更重要的是，Goku展示了AI系统向通用化方向发展的可能性。传统AI系统往往专注于解决特定问题，而Goku这样的统一系统表明，未来的AI可能会更加通用化，能够同时处理多种不同类型的任务。这种发展趋势对整个AI行业都有重要启示意义。

当然，这项技术也面临着一些挑战和限制。计算资源需求仍然很高，限制了技术的普及速度。生成内容的版权和伦理问题需要进一步完善相关规范。模型的可解释性还有待提高，特别是在处理复杂创作任务时的决策过程需要更加透明。

展望未来，Goku技术有望在多个方向上继续发展。模型规模的进一步扩大可能带来质量的显著提升。多模态能力的增强可能让系统同时处理文字、图片、视频和音频。个性化定制功能的加入可能让用户能够训练出符合特定风格要求的专属模型。这些发展方向都预示着视觉生成AI技术将迎来更加广阔的应用空间。

说到底，Goku项目不仅是一个技术创新，更是对AI发展方向的一次重要探索。它证明了通过精心的设计和工程实践，AI系统可以在保持高质量的同时实现多功能化，这为构建更加强大和实用的AI系统提供了宝贵的经验。对于普通用户而言，这意味着未来将有更多强大而易用的AI工具帮助实现各种创意想法。对于整个行业来说，这代表了技术发展的一个新的里程碑，预示着AI技术正在向更加成熟和实用的方向发展。

如果你对这项研究感兴趣，想要了解更多技术细节，可以通过论文编号arXiv:2502.04896v2在arXiv平台上查阅完整的研究报告，那里有更加详尽的技术说明和实验数据。

Q&A

Q1：Goku模型能同时生成图片和视频是怎么做到的？

A：Goku使用了统一的训练架构，就像培养一个既会画画又会拍电影的全能艺术家。它通过3D联合变分自编码器将图片和视频转换成相同的处理格式，然后使用全注意力机制让AI同时学习静态和动态内容的创作规律。这种方法让一个模型就能掌握两种不同的创作技能。

Q2：修正流技术相比传统扩散模型有什么优势？

A：修正流技术就像从弯曲山路改成直线高速公路。传统扩散模型需要经过数千次反复修改才能从噪声生成清晰图像，而修正流技术建立了从起点到终点的直线路径，大大提高了生成效率。实验显示，修正流方法40万步就能达到传统方法100万步的效果。

Q3：普通用户现在能使用Goku技术吗？

A：目前Goku主要还是研究阶段的技术，普通用户无法直接使用。不过这项技术由字节跳动参与开发，未来可能会集成到相关的商业产品中。感兴趣的开发者可以关注项目网站https://saiyan-world.github.io/goku/获取最新进展，研究人员也可以通过arXiv:2502.04896v2查阅完整论文。