重新审视预测时间跨度：在少步 MeanFlow 中解耦模型查询与状态更新

基于摘要分析。本文研究少步 MeanFlow 图像生成中，模型查询的预测时间跨度是否必须与实际状态更新时长一致。核心方法是在推理时查询更长时间区间的平均速度，同时保持状态网格、更新时长、模型检查点和查询次数不变，从而将预测跨度作为独立的推理配置变量。 机制与条件：MeanFlow 预测查询区间上的平均速度，常规少步采样将该区间与状态更新区间绑定。作者报告，在 CFG scale 为 2 的七个独立训练 CIFAR-10 检查点上，延长预测跨度在采样早期使 FID 变差，但在采样中点改善 FID；收益还依赖进入当前步骤的状态分布。在五个此前研究过的检查点上，作者于查看留出析因实验结果前冻结假设，仅改变前序 CFG、固定当前及后续引导，平均跨度收益由 0.109 增至 1.308 FID。这支持其效果不能脱离采样位置及前序轨迹单独判断。 作者报告，冻结的四次查询调度无需重新训练或增加查询，使 CIFAR-10 平均 FID 降低 2.023，改善也出现在规则选定后训练的五个检查点上。在从 84 个预定义时间步候选中选出的更强网格上，较温和的冻结规则进一步使平均 FID 降低 1.041，并无需重新调参地迁移至所评估的公开 ImageNet-256 和 AFHQ 检查点。 对照与边界：作者报告，在匹配新增校准预算的历史 CIFAR 测试中，起始时间平移比仅调整预测跨度取得更低的 FID/KID；在两个公开 ImageNet 模型上，所测试的 Horizon allocation 未在 Grid+Start 之外增加 FID 收益。因此，结果支持预测跨度是依赖配置的时间控制手段之一，而非普遍优于其他时间控制。选择完成后的推理不增加查询，但所评估的选择过程使用目标生成轨迹，不能将其理解为无需校准成本。 完整实验协议、各规则定义、消融及统计信息尚未验证。本文主要对象是图像生成，不是 EEG 解码或 BCI；摘要未提供可直接支持 EEG 迁移的机制对应，已有 EEG 相关工作尚未检索确认。