Ci sono due modi di preparare un piatto difficile per la cena in cui vuoi fare bella figura. Il primo: la sera stessa, mentre l’ospite è già seduto, assaggi e correggi, aggiungi sale, riassaggi, ritocchi, decine di volte, finché il piatto non esce dalla cucina. Il secondo: passi settimane a limare la ricetta, provandola e ricorreggendola nell’ombra, così che la sera decisiva ti basti cucinarla una volta, dritta. Il risultato in tavola può essere lo stesso. Cambia soltanto quando avviene la fatica delle mille correzioni: sotto gli occhi dell’ospite, o molto prima, in prova.
I modelli generativi di immagini che dominano oggi — quelli di diffusione e i loro cugini flow-based — sono il primo cuoco. Un paper uscito su arXiv a febbraio 2026, Generative Modeling via Drifting, firmato da Mingyang Deng, He Li, Tianhong Li, Yilun Du e Kaiming He tra MIT e Harvard, propone di essere il secondo. L’idea, riassunta in una riga: spostare la parte iterativa della generazione dal momento dell’inferenza a quello dell’addestramento. Il modello che ne risulta, chiamato Drifting Model, produce un’immagine in un solo passaggio di rete.
Spostare la fatica dove non si vede
Per capire cosa sostituisce, bisogna sapere come lavora un modello di diffusione quando genera. Parte da rumore casuale e lo ripulisce a piccoli passi: a ogni passo la rete guarda l’immagine ancora sporca e la rende un po’ più nitida, e questo si ripete decine o centinaia di volte prima che compaia un’immagine. In gergo si contano le NFE, le number of function evaluations, cioè quante volte la rete viene interrogata per produrre un singolo campione. Un modello come DiT-XL ne usa 250, raddoppiate quando si applica la guida. È la ragione per cui generare con la diffusione, per quanto la qualità sia altissima, resta lento e costoso.
Non è la prima volta che si prova a comprimere tutto in un passo. La via battuta finora è la distillazione: si addestra un modello di diffusione multi-passo, poi lo si «insegna» a una rete più veloce che ne imita le traiettorie in un colpo solo. Ma è una scorciatoia derivata: parte sempre da un modello iterativo già esistente e cerca di approssimarne le equazioni. La proposta del drifting è diversa alla radice. Non c’è nessuna equazione differenziale da approssimare, nessun insegnante da distillare. Il generatore a un passo si addestra da zero, con un principio nuovo.
Il punto di vista che rende possibile tutto questo è quasi ovvio una volta detto. L’addestramento di una rete neurale è già un processo iterativo: a ogni passo di ottimizzazione i pesi cambiano un po’. Se la rete $f$ trasforma il rumore in dati, la distribuzione delle sue uscite — quello che in probabilità si chiama pushforward, $q = f_\# p_\epsilon$ — si sposta a ogni iterazione. L’obiettivo è portarla a coincidere con la distribuzione dei dati veri, $f_\# p_\epsilon \approx p_{\text{data}}$. Gli autori decidono di prendere sul serio questo movimento e di guidarlo direttamente. La successione di modelli prodotta dall’addestramento diventa la successione di raffinamenti che la diffusione fa a inferenza. La fila di passi c’è ancora: è solo migrata dove il costo non si paga a ogni immagine.
Un campo che attira e uno che spinge
Il meccanismo che governa questo spostamento gli autori lo chiamano drifting field, un campo di deriva. Immaginate ogni campione generato come una limatura di ferro appoggiata su un tavolo. Due forze agiscono su di essa. Una la attira verso i dati veri, i punti «buoni» che vogliamo imitare. L’altra la respinge dagli altri campioni generati, cioè dalla folla dei suoi simili. Quando le due forze si annullano ovunque, la nuvola dei punti generati si è posata esattamente sopra i dati: è l’equilibrio, e da lì nessun punto ha più motivo di muoversi.
Formalmente il campo si scrive come differenza tra una componente di attrazione e una di repulsione, entrambe ispirate al vecchio metodo del mean-shift:
$$V_{p,q}(x) = V^{+}_{p}(x) – V^{-}_{q}(x)$$
La proprietà su cui poggia tutto è l’antisimmetria: scambiando la distribuzione dei dati con quella generata, il campo cambia solo di segno, $V_{p,q} = -V_{q,p}$. Da qui segue quasi per forza che quando le due distribuzioni coincidono il campo si azzera, $V=0$. È una condizione elegante e verificabile, e il paper mostra che non è un dettaglio decorativo: in uno studio «distruttivo» gli autori rompono di proposito l’antisimmetria sbilanciando attrazione e repulsione, e la qualità crolla — dalla FID di 8,46 del caso bilanciato fino a 177 quando resta la sola attrazione. Il pareggio tra la spinta e il richiamo è ciò che tiene in piedi il metodo.
L’attrazione e la repulsione si misurano con un nucleo di similarità, una funzione che pesa di più i campioni vicini e di meno quelli lontani:
$$k(x,y) = \exp\!\left(-\tfrac{1}{\tau}\lVert x-y\rVert\right)$$
dove $\tau$ è una temperatura che regola quanto «largo» è lo sguardo. In pratica il nucleo viene normalizzato con una softmax, la stessa operazione che compare nell’apprendimento contrastivo: i dati veri fanno da esempi positivi, i campioni generati da esempi negativi. L’addestramento vero e proprio è sorprendentemente sobrio. A ogni iterazione si calcola di quanto ogni campione dovrebbe derivare, $x_{i+1} = x_i + V(x_i)$, si «congela» quel bersaglio con uno stop-gradient e si chiede alla rete di avvicinarcisi. La funzione di costo, sotto il cofano, non è che la lunghezza al quadrato del campo di deriva, $\mathbb{E}_\epsilon \lVert V(f(\epsilon))\rVert^2$: più piccola è, più la nuvola generata ha smesso di muoversi perché ha raggiunto i dati.
Nella diffusione i passi di raffinamento si pagano ogni volta che si genera. Nel drifting quei passi diventano l’addestramento stesso: la distribuzione generata deriva verso i dati durante il training, e a inference basta una singola valutazione della rete.
I numeri, senza arrotondarli in meglio
La prova principale è su ImageNet a risoluzione 256×256, il banco di prova standard per la generazione di immagini. Lavorando nello spazio latente di un tokenizer, il modello più grande (chiamato L/2, 463 milioni di parametri) raggiunge una FID di 1,54 generando in un solo passo. La FID misura quanto la distribuzione delle immagini generate somiglia a quella delle immagini vere: più è bassa, meglio è. Per collocare il numero: il precedente miglior metodo a passo singolo, iMeanFlow, si fermava a 1,72; le versioni più vecchie di consistency training arrivavano a 34. La variante Base del Drifting Model, con appena 133 milioni di parametri, tocca 1,75 — cioè eguaglia il miglior concorrente a un quinto delle dimensioni.
Il confronto onesto, però, è con i modelli multi-passo, quelli che si concedono centinaia di valutazioni. Lì il drifting batte DiT-XL (2,27) e resta vicino a sistemi raffinati come SiT con REPA (1,42), ma non supera i migliori in assoluto: LightningDiT è a 1,35 e un recente RAE con DiT arriva a 1,13. Il messaggio corretto non è «il drifting è il modello migliore», ma «un generatore a un passo raggiunge un territorio di qualità finora riservato a modelli molto più lenti». Anche nello spazio dei pixel, il regime più difficile perché si genera l’immagine grezza senza tokenizer, il modello arriva a 1,61 in un passo, eguagliando un PixelDiT che di passi ne usa duecento.
Due risultati collaterali danno fiducia sulla robustezza dell’idea. Sui casi giocattolo in due dimensioni, il metodo ricostruisce una distribuzione a due picchi anche partendo da una nuvola collassata su un solo picco — un buon segno contro il mode collapse che affligge le GAN, spiegato dagli autori così: se i campioni si ammassano su un modo, gli altri modi dei dati continuano ad attrarli e la deriva riparte. E fuori dalle immagini: sostituendo il generatore multi-passo di una Diffusion Policy per il controllo robotico con la loro versione a un passo, i tassi di successo su compiti di manipolazione restano paragonabili, con 1 valutazione invece di 100.
La fila di passi non è sparita. È migrata dall’inferenza, dove si paga a ogni immagine, all’addestramento, dove si paga una volta sola.
Dove il metodo si incrina
Gli autori sono espliciti su un limite che pesa. Il campo di deriva vive in uno spazio di feature, non sui pixel grezzi: prima di misurare attrazioni e repulsioni, i campioni passano per un encoder auto-supervisionato (MoCo, SimCLR, o un MAE addestrato dagli stessi autori). E qui arriva l’ammissione: su ImageNet non sono riusciti a far funzionare il metodo senza questo encoder. Senza una buona misura di similarità, il nucleo diventa piatto, tutti i campioni sembrano ugualmente lontani e la deriva perde direzione. La qualità dell’encoder pesa moltissimo, dai risultati mediocri con SimCLR fino al salto quando si affina l’encoder con un classificatore. Il drifting, insomma, non è un ingrediente unico: si appoggia a un pezzo pre-addestrato, e non a caso proprio MoCo e MAE portano la firma di Kaiming He, l’ultimo autore del paper.
C’è poi una crepa teorica dichiarata. L’impianto garantisce che se le distribuzioni coincidono la deriva è nulla, ma non l’implicazione inversa: che deriva nulla significhi distribuzioni coincidenti. Vale in generale solo come euristica, sostenuta empiricamente dal fatto che ridurre la norma del campo si accompagna a immagini migliori, e da condizioni sufficienti relegate in appendice. Infine la portata delle prove: un singolo benchmark di immagini, per quanto autorevole, più i casi giocattolo e la robotica. Niente testo, niente scala da modello di frontiera. È una dimostrazione di fattibilità pulita, non ancora una tecnologia collaudata su tutto.
Perché guardarlo comunque
Il valore di questo lavoro non è il decimale di FID. È aver mostrato che esiste una terza strada, accanto alla diffusione e alle GAN, per addestrare un generatore che lavora in un colpo solo — e che non nasce imitando la diffusione, ma da un principio proprio: guidare la deriva della distribuzione durante l’addestramento fino a un equilibrio tra ciò che attrae e ciò che respinge, senza le instabilità dell’addestramento avversariale delle GAN e senza le equazioni differenziali della diffusione. È il tipo di semplificazione che si riconosce nella tradizione di questo gruppo, gli stessi che con ResNet avevano tolto invece di aggiungere. Se l’idea reggerà oltre ImageNet lo diranno i prossimi mesi. Ma la domanda che lascia è di quelle che spostano un campo: e se la parte lenta della generazione non fosse un costo da pagare ogni volta, ma qualcosa da sbrigare una volta per tutte, in prova?
Il paper
Mingyang Deng, He Li, Tianhong Li, Yilun Du, Kaiming He, Generative Modeling via Drifting, arXiv:2602.04770, febbraio 2026. Disponibile su arXiv: arxiv.org/abs/2602.04770. Pagina del progetto: lambertae.github.io/projects/drifting.
I commenti sono riservati agli iscritti.
Accedi per commentare