x-预测就是您所需要的：无需训练 通过端点可解码性加速生成

扩散和流动匹配模型生成高质量的样本，但它们的 ODE 采样器通常需要数十到数百次神经函数评估 (NFE)。对于已发布的检查点来说，这仍然是一个实际挑战，因为许多加速器需要通过重新训练、蒸馏 或轨迹重新设计来进行额外的设计选择和训练成本。我们根据 $x$ 预测研究不同的路线。在采样过程中，标准仿射概率路径已经暴露了 $x_0$ 信息：中间状态及其路径速度决定了干净样本的原则估计。我们将此属性形式化为 \textbf{端点可解码性}，并表明解码器是通常 $\ell_2$ 目标下的最小 MSE 估计器 $\mathbb{E}[x_0\mid x_t]$。这产生了 \textbf{截断跳转采样} (TJS)：在提前退出时间 $t^*$ 停止 ODE 并返回解码后的 $x_0$。 TJS 不需要重新训练、蒸馏 或架构更改。在 SDXL、SD3.5M、Z-Image-Turbo 和三个类条件基准测试中，它以接近匹配的质量将 NFE 降低了 20--70%。该分析还说明了为什么端点预测可以在不拉直轨迹的情况下发挥作用，从而无需重新设计轨迹即可提供推理加速。