VA-TDM 用速度对抗蒸馏，四步出图不掉品质

少步扩散蒸馏有个老大难：基于分数蒸馏的方法需要在线跟踪学生模型不断变化的分布，可中间去噪步骤里学生分数估计方差大，而且常用估计器描述的分布和实际用于更新的分布根本不是同一个。VA-TDM（arXiv 2611.06796）把这层窗户纸捅破并给出了新工具：速度对抗蒸馏。

方法核心是学一个向量值 critic，去对比学生与教师的速度场，把两者的分歧当作学习信号；论文证明了最优 critic 就是速度残差本身，零残差构成纳什均衡。更漂亮的是理论收束：A、B 两种速度构造分别等价于条件矩匹配与分布分数匹配，于是分数蒸馏、Fisher 匹配、矩匹配这些散装方法被统一进了一个视角。工程上，VA-TDM 沿用沿学生轨迹的中间转移监督，两种形式共享骨干网络省显存，对在线场做教师速度正则加 critic 修正，先用学生轨迹上的 ODE 回归热身。

效果按论文口径分三档说。图像：SD3.5-Medium 四步的 GenEval 从最强基线 TDM 的 0.61 提到 0.67，多样性保持；FLUX.2-Klein-Base 4B 的 GenEval 0.78 到 0.80，OCR 相似度 0.64 到 0.69，LPIPS 多样性 0.47 到 0.56，超过官方发布的四步模型。视频加语音：在 33B 参数的 MiniMax-H3 上，同样 4 步预算对比 Fast-H3 用户研究胜率 61.33%；对比 100 步教师，偏好率 45.53% 对 Fast-H3 的 24.67%，四步逼近百步。

对做推理加速的团队，这篇的意义是方法论层面的：把蒸馏损失的选择从「试哪个都差不多」变成了「在一个统一框架里挑等价形式」。作者团队页面未标注机构，代码已开在 GitHub（Luo-Yihong/VA-TDM），拿自己的底座复现一遍四步流水线，成本不高。