近日，中心2025级硕士生仲子辰的一篇论文“Riemannian MeanFlow for One-Step Generation on Manifolds”（作者：仲子辰，孙皓亮，赵昱琨，宫永顺，尹义龙）被International Conference on Machine Learning（ICML）2026会议录用。ICML与NeurIPS、ICLR并称“机器学习三大顶会”，属于CCF A类会议。

流匹配允许在黎曼流形上对生成模型进行无模拟训练，但采样通常仍然依赖于对概率流ODE进行数值积分。我们提出了黎曼平均流（RMF），将平均流（MeanFlow）扩展到流形值生成，其中速度位于位置相关的切空间中。RMF通过平行传输定义了一个平均速度场，并推导出了一个黎曼平均流恒等式，该恒等式将平均速度和瞬时速度联系起来，用于内在监督。我们在对数映射切线表示中实现了这一身份，避免了轨迹模拟和繁重的几何计算。为了实现稳定优化，我们将RMF目标分解为两个项，并应用冲突感知多任务学习来减轻梯度干扰。RMF还支持通过无分类器引导进行条件生成。在球面、环面、SO（3）和SE（3）上的实验表明，一步采样具有竞争力，提高了质量-效率的权衡，大大降低了采样成本。