動画生成モデルのユーザーなら、次のような経験をしたことがあるかもしれません。効果を手早くプレビューしたい時はモデルが50ステップ実行されるのをイライラしながら待ち、高品質な出力を求めれば50ステップ実行しても25ステップの時と大差ない結果しか得られない、と。
NVIDIAが5月13日に発表したAnyFlow論文（Hugging Face Papers Trendingで81upvote獲得）は、この課題の解決を試みています。その核心的なアイデアは非常に直接的です。モデル自身に、異なるステップ数下でも動作する能力を学習させるというものです。現状のように、ステップ数ごとに個別の蒸留モデルを訓練する必要はありません。
推論ステップ数のジレンマ
現在の動画拡散モデルは、構造的な課題に直面しています。
訓練時の推論ステップ数は固定されています。50ステップでモデルを訓練した場合、推論時の最適解も50ステップになります。高速化したい場合、Consistency Distillation（一貫性蒸留）やLCM技術を使ってステップ数を4〜8ステップに圧縮できます。しかし代償として品質が低下し、ステップ数ごとに個別の蒸留バージョンを訓練する必要があります。
これはつまり、動画生成サービスをデプロイする場合、複数のモデルを管理する必要があるかもしれないということです。高精度版（50ステップ）、高速版（4ステップ）、中速版（10ステップ）などです。各バージョンがVRAMを消費し、それぞれ個別にメンテナンスする必要があります。
AnyFlowの野望は明確です。1つのモデルで全ステップ数範囲をカバーする。
On-Policy Flow Map Distillation
論文の核心手法は「On-Policy Flow Map Distillation」と呼ばれます。これを理解するには、3つの概念に分解する必要があります。
Flow Map（流マッピング）：フローベースの拡散モデルにおいて、ノイズからデータへの生成過程は連続的なフローとしてモデル化されます。Flow Mapはこのフローの変換関数を記述します。
On-Policy（オンポリシー）：蒸留過程において、モデルは固定されたteacher modelに依存するのではなく、自身の出力を訓練シグナルとして使用します。つまり、モデルは訓練中、絶えず「現在の自身のバージョンの出力」を用いて自身をキャリブレーションします。
任意ステップ数訓練：重要なトリックは、訓練時に推論ステップ数kをランダムにサンプリングし、kがいくつであってもkステップ内で生成を完了するようモデルに学習させる点です。これにより、推論時に任意のステップ数を入力パラメータとして受け入れることが可能になります。
効果として、モデルは特定の固定ステップ数で最適化するのではなく、ステップ数と品質の連続スペクトルを学習しました。1ステップで概形ができ、10ステップで明確に向上し、25ステップでほぼ最適に近づきます。しかもこれらはすべて1つのモデルで実現されます。
HF Papersでの反響
AnyFlowはHugging Face Papers Trendingで81upvoteを獲得し、付属のGitHubリポジトリは202スターに達しています。論文公開からまだ2日以内であることを考慮すれば、この注目度はコミュニティが「任意ステップ数」という方向性に興味を持っていることを示しています。
論文の著者はNVIDIA研究チームに所属しています。NVIDIAの動画生成分野への投資（Cosmos、Video LDMなどのプロジェクト）を考慮すると、AnyFlowは純粋な学術的な探求にとどまらず、同社プロダクトラインのための技術的布石である可能性が高いと言えます。
既存手法との比較
「推論ステップ数の削減」という分野では、すでにいくつかの主要なアプローチが存在します。
| 手法 | 核心的な考え方 | 限界 |
|---|---|---|
| Consistency Models | 異なる時間ステップにおいてモデルの出力が一貫性を保つように訓練する | 訓練が不安定で、品質の損失が顕著 |
| LCM | Latent Consistency Models。蒸留によりステップ数を削減 | 異なるステップ数ごとに個別訓練が必要 |
| Progressive Distillation | 段階的な蒸留。各ラウンドでステップ数を半分に削減 | 依然として離散的な少数のステップ数にとどまる |
| AnyFlow | 訓練時にステップ数をランダムサンプリングし、オンポリシー蒸留を実施 | 新規手法であり、さらなる検証が必要 |
AnyFlowの独自性は、「最少ステップ数」を追求するのではなく、「任意ステップ数」を追求する点にあります。これは異なる設計哲学です。ユーザーが特定の固定ステップ数だけを必要とするとは仮定せず、異なるシナリオで異なるステップ数が必要であることを認め、1つのモデルですべてのシナリオに適応させようとします。
所感
この方向性には実際の価値がありますが、冷静な見方も必要です。
注目すべき点：
- デプロイ面での簡素化は実質的です。1つのモデルで複数のバージョンを代替できます
- 固定されたteacherを用いた蒸留と比較し、オンポリシー蒸留の考え方はより柔軟です。teacher自体も進化し続けるためです
- NVIDIAがこの技術を動画生成プロダクトライン（例：Cosmosなど）に統合できれば、その影響力はさらに大きくなるでしょう
検証が必要な点：
- 論文が主張する「任意ステップ数」の品質曲線が、実際の動画においてどのように振る舞うか？画像生成と動画生成には本質的な違いがあり、動画には時間的一貫性が必要です
- 202スターのGitHubリポジトリは非常に初期段階であり、再現性はコミュニティによる検証を待つ必要があります
- On-Policy蒸留の安定性については文献で既に議論されています。モデルが自己訓練の過程で徐々に劣化（崩壊）する可能性はないでしょうか？
動画生成の次の競争は、単に「誰がよりリアルな動画を生成できるか」ではなく、「誰が合理的なコストで実用的な動画を生成できるか」に移行しています。AnyFlowはこの方向性において価値ある試みを行っていますが、本番レベルの適用には、少なくとも1回のコミュニティによる再現とストレステストを経る必要があるでしょう。
主要な情報源：
- Hugging Face Papers - AnyFlow
- NVIDIA Research