CMU博士生耿正阳加入OpenAI，曾与何恺明合作MeanFlow！

最近，耿正阳（Zhengyang Geng）在推特上官宣，他已加入 OpenAI！

耿正阳2022年开始在卡内基梅隆大学攻读计算机科学博士学位，他师从 J. Zico Kolter，并与何恺明开展密切合作。

他的研究主要围绕生成模型、动力系统和自适应计算展开，近年来参与了 MeanFlow、Improved MeanFlow、Equilibrium Reasoners 等多项研究工作。

2025年，耿正阳与何恺明等研究人员提出 MeanFlow，尝试让模型只用一步就完成高质量图像生成。

与依赖预训练模型进行蒸馏的方法不同，MeanFlow 从数学原理出发，通过平均速度与瞬时速度之间的关系，直接训练单步生成模型。

论文公布的结果显示，MeanFlow 在 ImageNet 256×256 图像生成任务上，仅通过一次模型计算，就取得了 3.43 的 FID 分数。

这一成果相关论文入选了 NeurIPS 2025 Oral。

随后，耿正阳等继续推进这一研究方向，提出 Improved MeanFlow。

新方法进一步改善了训练稳定性和生成质量，在相同的 ImageNet 256×256 基准上，实现了单步生成 FID 1.72 的结果。

这项工作获得 CVPR 2026 Highlight。

从 MeanFlow 到 Improved MeanFlow，研究团队希望证明一件事：高质量图像生成，并不一定需要依赖漫长的多步采样过程。

除了研究如何减少计算，耿正阳还参与探索另一个方向，让模型在复杂任务中使用更多计算。

2026年，他参与的论文《Equilibrium Reasoners: Learning Attractors Enables Scalable Reasoning》被 ICML 2026 接收。

这项研究提出了 Equilibrium Reasoners（EqR），探索模型如何通过内部状态的反复迭代，逐渐找到正确答案。

与传统依赖生成长篇文字推理过程的方法不同，EqR 主要在隐空间中进行计算。

研究发现，面对简单问题，模型可能只需要1到5次迭代；而面对更困难的问题，则可以通过增加内部计算提升表现。

在 Sudoku-Extreme 数独任务中，研究报告显示，通过扩展测试时计算，模型准确率从前馈模型的2.6%提升至99%以上。

这一研究与 MeanFlow 看起来方向相反，但背后的思路其实一致。简单任务尽量少算，困难任务允许多算，让计算资源根据任务难度动态分配。

如今，耿正阳已正式加入 OpenAI，期待他在生成模型和 AI 推理方向带来更多新的研究成果。