Momentum Guidance: Plug-and-Play Guidance for Flow Models¶
会议: ECCV 2026
论文: ECCV 原文
领域: 图像生成
关键词: 流模型引导、无分类器引导、Rectified Flow、推理时引导、速度动量
一句话总结¶
本文提出 Momentum Guidance（MG）：把采样轨迹上过去若干步模型速度的指数滑动平均当作一条“更平滑的参考分支”，每一步把当前速度向远离它的方向外推，从而在不增加任何网络评估次数、不需要辅助模型或无条件分支的前提下，为流模型带来与 CFG 同类的锐化效果，并且可以与 CFG 直接叠加。
研究背景与动机¶
基于连续时间的生成模型（扩散模型与 Rectified Flow 一类流模型）已经能高质量地合成图像、音频和视频，但预训练的流模型几乎不会以「原始条件形式」直接使用——不加引导采样出来的图往往是发散的、纹理发糊、缺少高频细节。这不是流模型独有的毛病，本质上和回归任务里的「向均值回归」是同一件事：当同一条件下存在许多合理输出时，用均方误差训练出来的预测器会把这些输出平均掉。在图像复原领域，这种平均早就被认识到会产生过度平滑、高频纹理弱的结果；语言生成里的温度缩放、nucleus 采样也是在对预测分布做类似的整形。论文把这种过度平滑归到两个具体来源：一是网络的回归目标（速度 / 干净数据 / 噪声）在 MSE 下就是条件均值，天然把多种可能结果平均；二是训练时广泛使用的参数 EMA，它在优化轨迹上平均模型状态，进一步把学到的速度场抹平。两者叠加，使预训练模型偏向模糊、低细节的输出。
既然模糊来自「平均」，那推理时引导就是在做反向操作——把预测从更平滑的参考估计上推开。CFG 拿条件速度当主预测、拿无条件速度当参考（无条件分支对条件变量求期望，所以更平滑），Autoguidance 则把无条件分支换成一个更弱的模型（早期 checkpoint 或小容量网络）。这两种方法其实都可以理解成对模型预测做「去平滑」。矛盾就出在参考分支的来源上：为了拿到那条更平滑的参考，CFG 要求每一步额外跑一次无条件前向（等于把 NFE 翻倍），Autoguidance 则要求一个辅助 checkpoint 并额外占用显存——而像 FLUX.1-dev、Qwen-Image 这类大规模开源模型基本不会放出这类弱版本 checkpoint，使得 Autoguidance 在真实场景里经常不可用。
本文的切入角度是：既然要的只是一条「更平滑的参考」，而 Rectified Flow 的边际保持性质保证了轨迹上更早（噪声更大）的位置天然对应更平滑的边际分布，那么采样器自己走过的历史就已经提供了这条参考，根本不必外求。核心 idea：在采样过程中维护一个「速度动量」——过往模型速度的指数滑动平均（EMA）——并让当前速度向远离该动量的方向外推，用轨迹历史充当 CFG 的无条件分支 / Autoguidance 的辅助模型，实现零额外网络评估、免训练的即插即用引导。
方法详解¶
整体框架¶
MG 完全作用在推理阶段：输入是一个预训练好的 Rectified Flow 速度网络和一个标准采样器（论文默认用均匀离散时间网格上的 Euler 采样器），输出是最终的样本。除了原有的流状态 \(Z_t\) 之外，它只多维护一个速度动量 \(m_t\)——与 \(Z_t\) 同形状的 EMA 缓冲区，初始化时直接取第一步的模型速度。此后每一步：先按常规方式查询一次模型得到当前速度 \(v_{t_i}\)，然后做两件互不干扰的事——(1) 用「当前速度 + α 倍(当前速度 − 动量)」这个外推后的速度去推进流状态；(2) 用当前速度按 EMA 更新动量，供后续步骤使用。整个流程没有任何训练、没有辅助网络、没有额外的函数评估，超参数只有两个：外推强度 \(\alpha\) 和动量衰减 \(\beta\)。
它之所以成立，根子在 Rectified Flow 的边际保持性质。以高斯为源分布时，时间 \(t\) 的边际分布可以看成真实数据分布被标准差随 \(t\) 变化的高斯核卷积平滑后的结果，因此越小的时间对应越强的平滑；而速度场与边际得分函数之间又有确定的换算关系（\(\nabla \log \pi_t\) 可由 \(v_t^\*\) 与 \(x_t\) 表示）。于是速度估计继承了和边际同样的平滑度排序：轨迹早期的速度对应更平滑的分布，越靠后的速度越接近锐利、越像数据。CFG 要从无条件分支拿的那条「平滑参考」，其实早就在采样器自己走过的路径上；MG 只是把它用 EMA 的形式存了下来。
需要强调的是，MG 并不打算替代 CFG，而是与之正交：与 CFG 一起用时，经过 CFG 外推后的速度直接当作 MG 的「基础速度」，MG 在这个基础上再向外推一次，且 CFG 在每一步都保持开启。两者推动的方向不同——CFG 是沿着「对条件变量求平均」的方向离开，MG 是沿着「轨迹历史」的方向离开——所以可以叠加使用。（引导项是纯更新式的设计，用文字与公式已能讲清，这里不强行画流程图。）
关键设计¶
1. 速度动量：用采样器自己的历史充当「更平滑的参考分支」
这条设计针对的痛点非常具体：现有的所有去平滑式引导都必须先有一条更平滑的参考预测，而拿到它的两条路（CFG 的额外无条件前向、Autoguidance 的弱 checkpoint）分别代价是多一倍 NFE 和依赖不存在的辅助权重。MG 的观察是，参考不必来自另一个模型或另一条分支，它可以来自同一轨迹的过去。依据就是上一节说的平滑度排序：第 \(i\) 步之前那些在高噪声时刻算出来的速度，本来就是在更平滑的边际上求出的条件均值，把它们聚起来就是一条天然平滑的参考。
聚合方式用的是指数滑动平均，与优化里的动量一脉相承：
其中 \(\beta \in [0,1)\) 控制速度历史的衰减速度。\(\beta\) 越大，参考越偏向更早、更平滑的估计，动量越稳也越「陈旧」；\(\beta\) 越小则参考更贴近当前步。用 EMA 而不是「直接拿上一步的速度」，是因为单步速度既带噪又只反映一个时刻的平滑程度，而 EMA 把多个不同噪声水平下的估计揉在一起，得到一条更稳定、更明确平滑的参考——这与优化中一阶动量抑制梯度噪声的作用是同一个道理。论文用「隐式干净数据预测」\(\hat{X}_{1|t}\)（即在当前速度场下、由 \(x_t\) 推得的条件数据均值，见下节）把这条参考的效应可视化了：在 FLUX.1-dev 上用 \(\alpha=0.6\)、\(\beta=0.8\) 做 MG，相比 CFG=1.5 的基线，MG 的估计在轨迹早期就出现更清晰的对象结构和更稳定的色彩；而外推方向 \((v_t - m_t)\) 的形态也很有意思——它先对准物体的粗略几何轮廓，随着流程接近数据分布才逐渐集中到花瓣边缘、露珠这类高频细节。这说明动量吸收掉的正是「已有的、平滑的部分」，外推项携带的是「新冒出来的信息」。
2. 外推更新：把锐化压进一次向量加法里，换取零额外 NFE
得到参考之后，锐化的做法与 CFG 在形式上完全一致——只不过被推开的对象换成了动量 \(m_{t_i}\)：
\(\Delta t = t_{i+1}-t_i\)，\(\alpha \ge 0\) 控制向更锐利分布外推的强度，\(\alpha=0\) 时公式退化为标准 Euler 更新。这里最关键的工程性质是：\(v_\theta(Z_{t_i},t_i)\) 是基础采样器本来就要算的那一次前向，MG 只是多算一次同形状向量的减法与加法，因此每一步的函数评估次数、显存里的中间激活、以及与批大小相关的开销都完全不变。额外状态只有一个和流状态同形状的动量缓冲：ImageNet-256 上（SD 编码器、DiT-XL 主干）隐变量是 \(32\times32\times4\)，1024² 的 FLUX.1-dev 量级约为 \(128\times128\times16\)，相对于模型参数和激活可以忽略。这一点是 MG 与 CFG 的分水岭：CFG 每步要两次评估，MG 只需要一次。
实现上还有两个细节：论文说明 MG 采用了无偏 EMA 修正（Adam 式的偏差修正，用于抵消动量初始化前若干步的偏差）与动量归一化（避免动量模长与当前速度量级不匹配时外推项尺度失控）；⚠️ 二者的确切形式论文正文未展开，以原文附录为准。此外，外推不是越猛越好：\(\alpha\) 过大或者动量记忆过长（\(\beta\) 过大）都会把速度「过校正」，反而使质量下降——这也解释了为什么需要动量归一化。
3. 与 CFG 正交的可插拔组合与引导区间
MG 从设计上就不与 CFG 竞争，而是把自己嵌到既有管线里。与 CFG 同用时，基础速度换成 CFG 外推后的速度，CFG 全程保持激活，MG 在其上再做一次同方向的外推；这也意味着 MG 可以非常轻地插到任何使用条件速度的采样流程中，不需要重训模型、不需要改网络、不需要额外的条件输入。有用性在 ImageNet-256 上得到了系统验证：在 CFG = 1.0（即不加 CFG）到 2.0 的每一个引导强度、以及 16/32/64 三档采样预算下，MG 都降低了 FID，而且不只是把最优 CFG 平移过去——它把整条 FID 曲线压低；在 precision–recall 平面上则表现为同时提高 precision 又更好地保住 recall，把帕累托前沿向外推，这是单纯调大 CFG（用 recall 换 precision）做不到的。它还能叠在已经在做「坏模型引导」的方法上：论文把 MG 加到 RAE（一种借助额外视觉基础模型的引导式基线）之上仍然带来改进。
论文还沿用了 Guidance Interval 的思路，把 MG 的施加区间也做成超参扫描（\([0.1,0.6]\)、\([0.1,0.7]\)、\([0.2,0.6]\)、\([0.0,1.0]\)），说明「在哪些时间步上引导」与「引导多强」是两个可独立调节的维度。值得注意的是，这个区间限制只在 ImageNet 上使用；在 SD3 / FLUX.1-dev 的文本到图像实验里，MG 是在所有时间步上施加且不做区间裁剪的，只调 \(\alpha\) 与 \(\beta\)——这从侧面说明 MG 的默认配置已经足够稳，不需要针对每个模型重新设计调度。
损失函数 / 训练策略¶
MG 是纯推理时方法，不引入任何新的训练目标、不微调任何参数。被引导的基础模型仍然按 Rectified Flow 的标准均方误差目标训练：让网络预测从噪声到数据的位移 \(X_1-X_0\)（等价于在 \(X_t = tX_1+(1-t)X_0\) 的插值路径上的条件期望速度）。因此 MG 的全部「调参」都发生在推理阶段，具体是三个量：
- \(\alpha\)（外推强度）与 \(\beta\)（EMA 衰减）：在 ImageNet-256 上，论文对每一组 (CFG 尺度, NFE 预算) 用 FID-10K 做网格搜索选出 \((\alpha,\beta)\)，再在 FID-50K 上报告；在 SD3 / FLUX.1-dev 上只调这两个量；在 HunyuanVideo 上则固定 \(\alpha=0.6,\ \beta=0.2\)，不做穷举搜索。
- 施加区间（可选）：ImageNet 上扫描了上述四组时间区间。
基础采样器统一使用标准 Euler 采样器 + 均匀离散时间网格（文本到图像则沿用各模型自带的默认调度）。论文明确说明 MG 的额外显存只是一个与流状态同形状的 EMA 缓冲，计算上只是逐元素加减，不改变 NFE。
实验关键数据¶
主实验¶
评测覆盖三类设定：ImageNet-256（官方 Rectified Flow 代码库 + 改进的 DiT-XL，隐空间用 SD 编码器）上的系统性消融；大规模文本到图像（SD3、FLUX.1-dev），用 HPSv2 基准的 3200 条 prompt、1024² 分辨率，指标为 HPSv2.1 与 ImageReward；以及文本到视频（HunyuanVideo，VBench 协议，540p / 65 帧，所有方法共用随机种子 42）。
表 1：ImageNet-256 上 FID-50K 随引导强度与采样预算的变化（\(w=1\) 即 MG 不加 CFG，其余为 MG 叠在 CFG 之上）
| 引导设置 | 方法 | NFE=16 | NFE=32 | NFE=64 |
|---|---|---|---|---|
| \(w=1.0\)（不加 CFG） | 基线 | 7.76 | 5.57 | 4.75 |
| + MG | 4.46 | 3.58 | 3.26 | |
| \(w=1.2\) | CFG | 3.26 | 2.20 | 1.89 |
| CFG + MG | 2.00 | 1.71 | 1.60 | |
| \(w=1.4\) | CFG | 2.38 | 2.04 | 2.03 |
| CFG + MG | 1.85 | 1.90 | 1.99 | |
| \(w=1.6\) | CFG | 3.13 | 3.17 | 3.34 |
| CFG + MG | 2.62 | 2.89 | 3.17 | |
| \(w=1.8\) | CFG | 4.48 | 4.76 | 4.99 |
| CFG + MG | 3.49 | 3.96 | 4.62 | |
| \(w=2.0\) | CFG | 5.94 | 6.36 | 6.62 |
| CFG + MG | 4.62 | 5.27 | 6.08 |
论文报告的平均改善幅度为：不加 CFG 时 FID 相对下降 36.54%，在 CFG = 1.2 上叠加时平均下降 25.42%（均为跨采样设定的平均，原始数值见表中各行，可自行核对）。表 1 中最强的是 CFG = 1.2 + 64 NFE 的配置，这也是全表最优 FID。
表 2：与引导类基线的对比（ImageNet-256，FID/IS/Precision/Recall，50K 样本）
| NFE | 方法 | FID-50K ↓ | IS ↑ | Precision ↑ | Recall ↑ |
|---|---|---|---|---|---|
| 16 | CFG-int (\(\omega\)=1.4) | 2.352 | 249.85 | 0.791 | 0.612 |
| 16 | CFG-int + MG (\(\omega\)=1.4) | 1.553 | 268.03 | 0.799 | 0.636 |
| 16 | ADG (\(\omega\)=1.4) | 2.324 | 275.28 | 0.827 | 0.570 |
| 16 | CFG++ (\(\omega\)=0.6) | 2.620 | 368.80 | 0.842 | 0.572 |
| 32 | CFG-int (\(\omega\)=1.4) | 1.642 | 264.75 | 0.800 | 0.626 |
| 32 | CFG-int + MG (\(\omega\)=1.4) | 1.408 | 274.99 | 0.801 | 0.633 |
| 64 | CFG-int (\(\omega\)=1.4) | 1.462 | 271.34 | 0.803 | 0.625 |
| 64 | CFG-int + MG (\(\omega\)=1.4) | 1.380 | 277.73 | 0.802 | 0.630 |
| 50/2 | RAE† (\(\omega\)=1.0) | 1.535 | 241.56 | 0.791 | 0.644 |
| 50/2 | RAE† + MG (\(\omega\)=1.0) | 1.376 | 242.83 | 0.790 | 0.642 |
其中 CFG-int 是把 CFG 限制在 \(t\in[0.125,1]\) 上的区间调度基线，MG 则全区间 \([0,1]\) 施加；† 表示该基线额外用了基础流模型之外的视觉基础模型（RAE）。论文按各自建议超参搜索后报告了 ADG 与 CFG++ 的最优 FID。可以看到 MG 在同等 NFE 下都把 CFG-int 的 FID 进一步压低，而且 16 步就能达到 1.553，比 32 步的基线（1.642）还好。
表 3：文生图与文生视频迁移（SD3 28 步 / FLUX.1-dev 50 步 / HunyuanVideo）
| 模型 | 指标 | 基线 | + MG |
|---|---|---|---|
| SD3 | HPSv2.1 @ CFG=1 / @ CFG=5 | 22.87 / 30.22 | 27.37 / 30.62 |
| SD3 | ImageReward @ CFG=1 / @ CFG=5 | −0.093 / 1.099 | 0.395 / 1.111 |
| FLUX.1-dev | HPSv2.1 @ CFG=1 / @ CFG=3 | 24.40 / 31.28 | 24.80 / 31.29 |
| FLUX.1-dev | ImageReward @ CFG=1 / @ CFG=3 | 0.345 / 1.094 | 0.391 / 1.096 |
| HunyuanVideo | VBench quality / semantic / total | 0.842 / 0.716 / 0.816 | 0.845 / 0.717 / 0.819 |
两个文生图模型上，MG 在所有 CFG 尺度上都提升了 HPSv2.1（SD3 在 CFG=2~5 上稳定提升约 0.2~0.4，FLUX.1-dev 提升幅度较小、约 0.02~0.07）；ImageReward 在多数配置下也提升，CFG 较大时有极轻微回落。视频侧 MG 用固定的 \(\alpha=0.6,\beta=0.2\)、不做任何 prompt 级调参，VBench 总分从 0.816 提到 0.819。
消融实验¶
表 4：超参与采样预算的行为分析（ImageNet-256，FID-10K 用于选参，FID-50K 报告）
| 配置 / 变量 | 观察 | 说明 |
|---|---|---|
| \(\alpha = 0\) | 退化为原采样器（或原 CFG） | 对应图 4 中 landscape 的边界 |
| \(\alpha\) 从 0 适度增大 | FID 在很宽区间内下降 | 外推确实在做去平滑 |
| \(\alpha\) 过大 | FID 回升 | 速度被过校正，质量反而变差 |
| \(\beta\) 过大（动量记忆过长） | FID 回升 | 参考过于陈旧，锐化方向偏离 |
| 最优区域 | 中等 \(\alpha\) + 小到中等 \(\beta\) | 强外推偏好较短的动量记忆 |
| NFE = 16 | 大多数 \((\alpha,\beta)\) 配置已优于基线 | 小采样预算下收益最大 |
| MG 施加区间（4 组扫描） | 取 FID 最优的一组 | 受 Guidance Interval 启发 |
表 5：VBench 逐维度对比（HunyuanVideo，\(\alpha=0.6,\beta=0.2\)，540p）
| 维度 | 基线 | + MG | 维度 | 基线 | + MG |
|---|---|---|---|---|---|
| Subject Consistency | 0.962 | 0.962 | Multiple Objects | 0.679 | 0.708 |
| Motion Smoothness | 0.992 | 0.991 | Object Class | 0.731 | 0.765 |
| Dynamic Degree | 0.639 | 0.653 | Spatial Relation | 0.871 | 0.885 |
| Background Consistency | 0.974 | 0.975 | Temporal Flicker | 0.695 | 0.681 |
| Scene | 0.387 | 0.356 | Appearance Style | 0.991 | 0.991 |
| Overall Consistency | 0.266 | 0.265 | Temporal Style | 0.241 | 0.240 |
| Aesthetic Quality | 0.623 | 0.624 | Human Action | 0.930 | 0.920 |
| Imaging Quality | 0.653 | 0.668 |
关键发现¶
- MG 不是把最优 CFG 平移，而是压低整条曲线。图 3 的消融显示，在 16/32/64 三档预算下，MG 的最优配置曲线整体位于 vanilla CFG 曲线下方，而且阴影视带（其余 \((\alpha,\beta)\) 组合的范围）表明多数配置都能赢基线，说明方法对超参并不敏感。收益随采样步数减少而放大，NFE=16 时收益最大——这对少步生成的实用价值最高。
- 它改变的是 precision–recall 的取舍方式。单独调大 CFG 必然用 recall 换 precision；MG 在提高 precision 的同时把 recall 也保住甚至抬高（表 2 中 MG 的 Precision 基本持平、Recall 普遍更高），因此帕累托前沿是向外扩张而不是沿曲线滑动。这也是论文最核心的实证主张。
- 参考来源可替换、可叠加。把 MG 加到 RAE 这类本身就用了额外视觉基础模型的引导方法上仍然有效（1.535 → 1.376），说明「轨迹历史」这条参考与「弱模型 / 额外模型」这条参考携带的信息是互补的。
- 超参最优区在「中等外推 + 较短记忆」。\(\alpha\) 从 0 增大普遍有益，但过大或 \(\beta\) 过大都会过校正；这一模式在 16/32/64 三档预算上保持一致，暗示强外推需要的是「刚刚过去的平滑信息」而不是「很久以前的」。
- 收益随模型规模与任务变化：ImageNet-256 上的 FID 提升幅度很大（数十个百分点），而 SD3 / FLUX.1-dev 上的 HPSv2.1 提升只有零点几（FLUX.1-dev 上尤其小）；视频侧总分只提升 0.003，且在 Scene、Temporal Flicker、Human Action 三个维度上小幅下降。也就是说 MG 在小模型 + 少步 + 类别条件的设定下最有效，在大模型 + 默认调度上更多是「稳定不亏」的增量改善。
亮点与洞察¶
- 把「引导必须有一条外部参考分支」这个隐含前提打掉了。CFG 用无条件分支、Autoguidance 用弱 checkpoint、SAG/PAG 用扰动后的注意力，共同假设都是参考要来自模型之外的某处；MG 指出采样轨迹自身的历史（因为 RF 边际保持的平滑度排序）就已经是同一条参考，这个观察很干净，且直接换来「零额外 NFE」这一硬性优势。
- 与优化中动量的类比被用到了正确的位置。这里的动量不是用来加速收敛，而是用来构造一条低方差、明确更平滑的参考——EMA 在这里的作用是「时间上的低通滤波」，这个技巧可以迁移到任何迭代式采样器的分析里。
- \(\hat{X}_{1|t}\) 诊断可视化是可复用的分析工具。用「隐式干净数据预测」在图像空间观察引导如何逐步重塑轨迹，比只看最终样本更能说明引导到底在哪一段起了作用；论文也据此给出了一个反直觉的发现：外推方向先承载粗轮廓、后承载高频细节，即动量吸收的是「已确定的平滑成分」，外推项携带的是「新出现的细节」。
- 可迁移的改造点很明确：(1) 任何有 ODE/SDE 采样器的生成模型（视频、3D、音频、TTS）都可以把这条 EMA 动量直接挂上去，因为它只要求「有一个逐步查询的速度/得分网络」；(2) 少步蒸馏与一致性模型同样在多步迭代，收益最大的恰好也是小 NFE 区间，值得一试；(3) 由于 \(m_t\) 携带粗结构、\((v_t-m_t)\) 携带细节，二者可以分开放大，这给「只加细节不改构图」的可控生成留了口子。
局限与展望¶
- 论文没有单独的 Limitation 章节，作者在结论里更多强调方法的简单与通用；以下部分为阅读后的观察。
- \(\alpha\) 与 \(\beta\) 仍是需要网格搜索的手工超参。论文在 ImageNet 上对每组 (CFG, NFE) 做 FID-10K 网格搜索，在 HunyuanVideo 上则直接固定了一组值。缺一个「随轨迹自适应」的调度：从机制上看，早期步骤更应该往平滑参考上靠（\(\beta\) 大一些以获得稳定的粗结构）、后期应该收紧（\(\beta\) 小一些以便锐化细节），而当前实现是用一组常数走完全程。
- 在 16 步这一档，动量假设可能变弱。MG 依赖「更早的速度更平滑」，但少步采样时相邻时间点间隔很大、轨迹上可用于 EMA 的样本点很少，此时动量的平均效果与多步时必须不同；论文虽然显示 NFE=16 收益最大，但没有对「步数与最优 \(\beta\) 的关系」给出解释性分析。
- 大模型上的收益偏小，个别指标有回退。SD3/FLUX.1-dev 上 HPSv2.1 的提升在 0.02~0.07 量级，VBench 的 Scene（0.387→0.356）与 Temporal Flicker、Human Action 也小幅下降；论文报告的是「多数配置提升」，但没有讨论这些回退的来源，也没有给出与人类偏好评测之外的真实用户研究。
- 理论刻画缺失。MG 与 CFG 被描述为「正交」，但这只在经验上被验证：论文没有给出 MG 等价于对哪个修改后的分布 / 得分函数做锐化的推导，也没有说明 \(\alpha\) 与「采样温度」之间的对应关系。若有这层分析，\(\alpha\)、\(\beta\) 的选取就不用靠网格搜索。
- 改进思路：把 \(\alpha, \beta\) 写成流时间 \(t\) 的函数并做轻量自适应（例如按当前速度与动量的夹角决定外推强度，夹角小说明方向一致、可以推得更狠）；把单步 EMA 换成对轨迹的显式低通滤波或多项式外推；与 ADG / CFG++ 这类改动引导更新方向的方法组合验证；在少步蒸馏模型与一致性模型上系统验证收益是否依然存在。
相关工作与启发¶
- vs CFG：CFG 用「条件速度 − 无条件速度」的差做外推，参考来自额外一次前向；MG 用「当前速度 − 轨迹速度动量」的差做外推，参考来自已经算过的历史。代价上 MG 每步只要一次评估（CFG 要两次），且不需要模型具备无条件分支能力；代价是 MG 多了一个需要调的超参 \(\beta\)，并且参考的「平滑程度」是隐式由 \(\beta\) 与步长决定的，不像 CFG 那样有明确的语义。
- vs Autoguidance：两者都把参考换成「更差/更平滑的预测」，但 Autoguidance 的参考是一个独立训练的弱模型，需要额外 checkpoint（开源大模型通常不提供）和额外显存；MG 的参考是采样过程自己产生的，完全不需要外部依赖，所以更贴合「即插即用」的定位。相对的，Autoguidance 的参考质量更可控，而 MG 的参考质量取决于 \(\beta\) 与轨迹本身的离散化。
- vs Guidance Interval / CFG++ / ADG：这些方法改的是引导更新的调度、约束或方向（在哪些时间步施加、把更新约束到流形上、把外推改成角度域的旋转），参考分支仍然是 CFG 的无条件分支。MG 改的是参考分支的来源，因此与它们是正交的两条改进路线，论文也实测了叠加效果（MG 加到 CFG-int 与 RAE 之上都继续提升）。反过来说，ADG 关于「隐空间引导应该旋转而不是外推」的论证提示 MG 的线性外推在高维隐空间里可能同样面临方向问题，这值得进一步检验。
- vs SAG / PAG / SEG 这类自注意力引导：它们从同一网络内部构造退化/平滑预测（扰动注意力、平滑注意力能量），确实也不需要辅助模型，但需要改动网络内部、多一次带扰动的评估；MG 只接触采样循环、不碰网络内部，兼容性更强，且完全没有额外评估。
评分¶
- 新颖性: ⭐⭐⭐⭐ 把「更平滑参考」的来源从模型外部搬到采样轨迹自身，思路简洁但有实质洞察，且直接带来零额外 NFE 的工程优势
- 实验充分度: ⭐⭐⭐⭐ 覆盖 ImageNet-256、SD3、FLUX.1-dev、HunyuanVideo 四类模型与图像/视频两域，消融系统（CFG×NFE 网格、\(\alpha\)/\(\beta\) 景观、区间扫描），并给出 precision–recall 前沿这一有说服力的分析；但缺少与最新几类引导方法的全面同预算对比，大模型上的增益也偏小
- 写作质量: ⭐⭐⭐⭐ 动机链条（过度平滑的两个来源 → 引导即去平滑 → 轨迹历史可作为参考）讲得清楚，算法伪代码只有 9 行；部分公式在缓存文本中损坏、若干实现细节（无偏 EMA 修正、动量归一化）留在附录
- 价值: ⭐⭐⭐⭐ 免训练、免重训、零额外评估、可与 CFG 叠加，实用门槛极低，任何用流模型采样的人都可以直接插上；主要限制是超参仍需按模型网格搜索