ProtoFlow 将向量量化自编码器与原型先验流匹配相结合，实现高效的多变量时间序列预测。首先，使用 VQ‑AE 将原始序列映射到离散潜在空间，得到一组离散码字。随后，从训练得到的码本中构建结构化的原型先验，而不是使用通用的高斯噪声。基于此先验，采用 DiT（Diffusion Transformer）实现的校正流（rectified flow）将样本从原型分布传输到未来的潜在表示，并以历史观测为条件进行条件化。由于省去了自回归 token 的逐步生成，ProtoFlow 消除了曝光偏差和训练‑推理不匹配，同时加速了收敛。
在多个公开基准数据集上，ProtoFlow 相比传统扩散模型和基于 VQ 的自回归方法，显著提升了预测精度，并保持了仅一步推理的高效性。实验结果表明，使用原型先验能够更快收敛，并在高维场景下保持稳健。
总体而言，ProtoFlow 通过利用已学习的离散原型作为信息丰富的先验，为非自回归潜在预测提供了一条简洁而有效的路径。
点评：该工作巧妙地将向量量化码本转化为流匹配的先验，既解决了自回归模型的曝光偏差，又保留了生成模型的灵活性，值得在更广泛的时序生成任务中进一步探索。