擴散蒸餾只對齊最終 CFG 速度可能掩蓋分支錯誤，PDM 改為分別約束正向預測與條件方向

Classifier-free guidance（CFG）會把條件分支與負向或無條件分支的預測線性組合，是圖像及影片擴散模型控制提示遵循度的標準做法。當研究者以 on-policy distillation（OPD）把大型教師蒸餾到較小或較稀疏的學生模型時，常見方法直接要求學生匹配教師經 CFG 合成後的速度向量。新論文指出，這個目標只限制合成結果，並沒有唯一決定兩個分支各自應學到什麼。

問題在於誤差可以互相抵銷：學生的正向分支偏向一側，負向分支只要以適當幅度偏向另一側，最終 guided velocity 仍可能接近教師。若教師與學生共用相同的負向條件結構，傳統方法可能仍然有效，因為兩邊誤差可同步下降；但當教師的負向分支含有學生拿不到的資訊時，作者觀察到兩個分支形成對抗動態——正向誤差下降，負向誤差反而上升。研究將此稱為 Negative Branch Asymmetry（NBA）。

團隊提出 Positive-Direction Matching（PDM），不再只監督 CFG 合成向量，而是分別約束正向預測，以及正、負分支之間的條件方向。這等於把原本欠識別的蒸餾目標拆成兩項可判別條件。作者將方法用於 dense-to-sparse 影片控制：教師取得較密集的控制訊號，學生只接收稀疏訊號。傳統 guided matching 的結果會隨推論時 guidance scale 明顯變動，PDM 則呈現較穩定的知識轉移。

這項工作提醒生成模型工程師，部署時看似單一的 CFG 輸出，背後可能隱藏品質脆弱的分支。它目前仍是預印本，公開摘要也未提供足以比較訓練成本、影片品質與跨模型泛化的完整數字。下一步應檢查程式與權重是否公開、在不同 CFG schema 和基礎模型上重現 NBA，並確認分支穩定性是否真的轉化為更好的時序一致性、控制精度及人類偏好。