生成过程移入预训练的整图隐空间
近期多数图生成模型在整个生成过程中保持图的显式表示：直接对节点和边变量做去噪或传输，因此每个积分步都作用于完整的图表示。本文改为在预训练变分自编码器的隐空间中生成，该编码器把整张图编码为一个固定维度、置换不变的向量，只在最后一步解码。
实际后果是成本结构不同。由于流匹配的向量场作用于紧凑的隐向量而非节点与边的类别，单步成本低得多，而唯一的解码步骤是固定的。论文报告，两种方法的总生成时间都随积分步数近似线性增长，但隐空间流匹配的斜率要平缓得多。
这一形式还把表示学习与生成建模解耦。图表示只需学习一次，之后可在无条件生成、有效性引导、有效性感知生成和性质控制之间复用而无需重新训练。论文报告的训练成本比较不包含一次性的编码器—解码器预训练，作者认为这部分成本可在上述下游任务间摊销。
有效性、FCD 与 VUN/T 回答的是不同问题
论文报告了有效性、唯一性、新颖性、用于衡量分布保真度的 Fréchet ChemNet 距离（FCD）、端到端采样时间，以及作者称为 VUN/T 的汇总指标。VUN/T 是有效性、唯一性、新颖性与批大小的四重乘积除以生成时间，即每秒获得的有效、唯一且新颖的分子数。
这些指标不可互换。模型可以报告很高的有效性，同时产生的分布远离训练分布，这正是 FCD 所惩罚的；反过来，模型也可以很好地匹配分布，却输出较大比例无效图。VUN/T 把两方面关切连同吞吐量折成一个数字，因此应被读作效率汇总，而不是有效性或 FCD 的替代。
论文自身的结果说明了这种分离。在 PubChem16 上，DiGress 取得最高的有效性，但只在其 500 步设置下，该设置每批约需 70 秒，而隐空间流匹配在 20 NFE 下约需 4 秒（500 NFE 下约 10 秒）。在两种设置下，隐空间模型仍取得显著更低（即更好）的 FCD，VUN/T 最高可达 17 倍。
分子越大优势越明显，有效性差距也越大
在由极小分子组成的 QM9 上，显式方法占优，且所有方法表现都很好。隐空间方法的效率优势在这一规模上已经可见，但并非该方法拉开差距之处。
在 PubChem16 上，隐空间模型在分布保真度上优势明显，即使只用 20 NFE，其 FCD 也显著优于两个 CFM 变体，并大幅超过 DiGress。与显式方法相反，增加积分步数对隐空间模型的保真度只有边际影响。
在 PubChem32 上，情况更为复杂。隐空间模型把有效性相对基础 VAE 提升约七倍，但停滞在约 74.5%，而 DiGress 在完整 500 步下达到 99%。作者报告，由于训练成本极高——在规模小七倍的 PubChem16 上需 73 小时——他们没有在 PubChem32 上训练 CFM，因此该处只与 DiGress 比较。讨论部分指出，相对 DiGress 的有效性下降在 PubChem32 上最多可达 25 个百分点，并认为效率可以补偿：生成速度最高快 10 倍，同时保持更高的分布保真度。
有效性引导在较小数据集上有效，在 PubChem32 上失效
论文通过在隐空间中直接学习的分类器引入有效性感知生成。该预测器在 50% 有效、50% 无效的平衡数据集上训练，随后在采样时用于引导生成。
效果取决于数据集。有效性引导在 QM9 和 PubChem16 上提升了隐空间流匹配模型，在保持分布保真度的同时提高化学有效性。有效性感知 VFM 在 QM9 和 PubChem16 上提高了有效性，但代价是显著的 FCD，因此作者将其呈现为以有效性为首要目标的应用中的专门替代方案。
在 PubChem32 上，有效性引导未能提升有效性。作者将其归因于该数据集隐空间的复杂度相对于有效性预测器训练集规模（800,000 个样本）而言过大。这是论文给出的解释而非实测机制，也标出了该引导组件可迁移范围的边界。
性质控制复用同一隐空间而无需重新训练
由于图表示只学习一次，同一隐空间可支持条件生成。论文展示了由分子性质引导的生成，在 QM9 和 PubChem16 上以分子量和 logP 为条件，条件性质使用训练集统计量标准化。
图 2 报告了独立的性质控制生成：点表示每个请求目标下生成分子的平均性质，误差棒表示一个标准差，虚线对应理想控制，阴影区域标出训练分布的 5–95% 范围。作者指出，该方法即使在数据集分布范围之外也能给出高度忠实的结果。
这是关于控制忠实度的定性论断，由所绘制的均值与离散度支持，而不是可与有效性或 FCD 相比的独立基准分数。它应被读作共享隐空间可复用的证据，而这正是论文的核心架构论点。
训练成本有利于隐空间流程，但有一项排除
训练阶段的计算特征差异显著。CFM 推理最快，但在所评估方法中训练时间最长。DiGress 训练成本较为适中，而其最强的生成结果依赖长采样轨迹。
隐空间流匹配训练尤其便宜，因为它利用预训练 VAE，在 QM9 上的训练成本比 CFM 低约两个数量级。即使把有效性数据集构建、分类器训练和有效性感知端点模型都计入，完整隐空间流程在 QM9 上的训练仍显著便宜于 CFM，PubChem16 上也呈类似趋势。
该比较不包含学习隐空间模型所用图编码器—解码器的一次性成本。作者的理由是，该表示在下游任务间共享，而非为每个生成目标单独训练，因此其成本可以摊销。比较总项目成本的读者应把这一排除视为关键的核算假设。
按有效性与吞吐量取舍，而非看单一分数
这篇论文支持的决策是情景划分，而非普适推荐。如果优先考虑尽可能高的有效性且可接受长采样轨迹，DiGress 仍是更强选项，在 PubChem32 上 500 步达到 99% 有效性。如果优先考虑更大分子规模下的分布保真度与吞吐量，隐空间流匹配给出更好的 FCD，在 PubChem16 上 VUN/T 最高可达 17 倍，生成速度最高快 10 倍。
有效性引导是更窄的工具。它在 QM9 和 PubChem16 上提高有效性，代价是显著的 FCD，并且在 PubChem32 上未能提升有效性——作者把这一失败与隐空间复杂度相对于 800,000 样本预测器训练集过大联系起来。应把它视为以有效性为首要目标时的专门选项，而非默认设置。
最具决策相关性的数字是最大基准上的有效性差距：PubChem32 上隐空间流匹配约 74.5%，而 DiGress 在 500 步下为 99%，与之相对的是在 PubChem16 上测得的吞吐量优势。这一权衡的哪一侧更重要，取决于下游用途是否容忍以无效图换取更快、保真度更高的采样。
本文引用的文献
Latent Flow Matching for Molecular Graph Generation
在预训练图级 VAE 隐空间上的隐空间流匹配在 PubChem16 上达到当前最优 FCD，VUN/T 相对显式基线最高提升 17 倍，而在 PubChem32 上有效性最多落后 DiGress 25 个百分点。