COFLOW：流模型的自适应步数选择

流匹配经连续时间动力学实现高质量视觉生成，但推理因多次顺序函数评估而昂贵。既有加速方法减少函数评估次数，却常引入额外训练开销、降低质量或不考虑输入相关的变异性。我们提出COFLOW——推理时方法，基于提示特征为每次生成自适应选择步数；上下文感知的COFLOW以平衡推理效率与生成保真的无监督奖励在线训练。方法即插即用，无需重训底层生成模型；泛化到图像与视频生成，实现超过2.5倍加速同时保持感知与语义质量。我们进一步提供理论分析，在标准正则条件下建立O(1/K)前向欧拉离散化误差界。