突发！Flow Matching 核心作者从Meta离职，曾参与Muse系列模型从零训练

智猩猩AI整理

编辑：林夕

刚刚，Ricky T. Q. Chen在 X 平台以简短文字的形式发布一条个人更新，称“这是我在 Meta 的最后一周”。

该推文未具体说明下一站去向，仅以“兴奋地开启新的冒险，并期待发现更多未知的事物”作结。

Chen 自 2021 年起在 Meta AI 下属的 Fundamental AI Research（FAIR）实验室担任研究员。

加入 FAIR 之前，他在多伦多大学师从 David Duvenaud 完成博士阶段研究（2017–2021），并于英属哥伦比亚大学获得硕士学位（2015–2017）。

在公开履历中，Chen 把研究兴趣概括为生成模型、深度学习、动力系统、归一化流与 Neural ODE / SDE / 扩散模型。

其博士期间的代表性工作是2018年发表的《Neural Ordinary Differential Equations》。

该论文获得NeurIPS 2018最佳论文奖，核心思路是用常微分方程描述神经网络中的连续变换，也成为Chen此后持续研究生成模型的重要起点。

加入 FAIR 之后，Chen 与长期合作者 Yaron Lipman 等共同推动了 Flow Matching（FM）方法论的建立与扩展。

该方向的起点为 2022 年 10 月发表于 arXiv 的《Flow Matching for Generative Modeling》，该论文经修订后于 2023 年 2 月进入ICLR 2023 接收版本。

次年 2 月，Chen 与 Lipman 发布《Flow Matching on General Geometries》，把方法推广至黎曼流形，并被ICLR 2024 接收。

2024年12月，Meta FAIR联合MIT、魏茨曼科学研究院的研究者发布《Flow Matching Guide and Code》，对Flow Matching的数学基础、设计选择和扩展方法进行了系统总结，并同步开源代码。

Chen 在其离任推文中将过去五年描述为“与了不起的长期合作伙伴一起开创 Flow Matching 研究方向”，并把该方法归纳为生成模型在“图像、音频、视频、分子、材料、文本、多模态”领域的核心方法。

该说法与 2024 年“Flow Matching Guide and Code”综述对 FM 适用范围的列举相一致。

在 Flow Matching 之外，Chen 近年的研究也已经延伸到视频和多模态生成。

其个人主页目前将Muse Image 和 Muse Video列为 2026 年的代表性研究项目，并将其归于 Meta Superintelligence Labs。

他的最新研究列表中还包括Flowception，这项工作将 Flow Matching 用于视频生成，并已发表于 CVPR 2026。

除此之外，他还参与了OneFlow、Edit Flows等工作，继续围绕 Flow Matching 在生成模型中的应用展开。

而在离开 Meta 前的最后一段时间里，Chen 已经转向更偏产品和模型落地的工作。

他在离职帖中透露，自己后来加入 TBD 团队，并参与了Muse Image 和 Muse Video 从零开始的训练。

就在 Chen 宣布离开 前一天，Meta 在生成式 AI 产品层面亦有动作，Meta 发布其语言模型系列的最新版本 Muse Spark 1.3。

首席 AI 官 Alexandr Wang 表示该模型在编程任务上优于OpenAI 同期模型 GPT-5.6 Sol，与Anthropic 的 Claude Fable 5.1表现持平。

官方介绍显示，新版本重点提升了Agent和编程任务能力。在长任务中，它可以自己整理上下文、修正计划并完成最终任务。

从 Artificial Analysis 的测试来看，Muse Spark 1.3（xhigh）的 Intelligence Index 达到61分，max版本进一步达到 62分。61分已经与 GPT-5.6 Sol、Grok 4.6 等模型处在同一档位，62分的max版本则进一步逼近顶级Claude模型。

9月1日，Meta还发布了Muse Voice Transcribe，进入实时语音模型。

也就是说，这段时间Meta正在连续补齐Muse系列：Spark做推理和Agent，Image做图像生成，Video做视频，Voice Transcribe则负责实时语音。

在 Muse 系列快速推进之际，参与 Muse Image 与 Muse Video 从零训练的 Chen 选择离开，且未公布下一站。

对一个从 Neural ODE、Flow Matching 一路做到大规模生成模型的研究者而言，他下一步会把这套经验带向何处，目前没有公开信息。

关注+星标，获取AI前沿进展与开源一线动态