Conditional

Conditional（条件化）是机器学习中一类基础建模思路，指让模型在生成、预测或推理时接收额外的条件信息（如文本提示、物理参数、扰动类型），从而控制输出内容。当前它贯穿扩散与流匹配生成、科学计算代理模型、多模态生成等方向，是连接大模型能力与具体应用需求的核心技术概念之一。

Conditional 技术的近期进展

Conditional Program 压缩法：DeepSeek 记忆表存储从 203GB 降到 51GB：该工作用条件化程序压缩 DeepSeek 的记忆表，把存储占用从 203GB 降到 51GB，缩减约 75%，为降低大模型记忆系统的部署成本提供了新路径。

Conditional Flow Matching 秒级生成城市三维风温场，替代大涡模拟：条件流匹配（Conditional Flow Matching）被用于城市微气象，实现秒级生成三维风场与温度场，相比传统大涡模拟大幅提速，展示了条件生成模型在科学计算中的代理潜力。

MUNITE 提出统一潜变量框架，实现任意模态间多模态生成：MUNITE 用统一的潜变量条件机制把不同模态映射到同一生成框架，支持任意模态之间的互相转换，简化了过去为每对模态单独建模的流程。

Neuro-Physical Inverter：结合集成条件与残差学习的大地电磁反演框架：该框架将集成条件化引入地球物理反演，结合残差学习处理大地电磁数据，说明条件化思路正在向传统勘测领域渗透。

此外，Score-Calibrated Flow 提出无需重要性采样的未归一化密度采样算法，条件能量先验方法被用于细胞扰动响应预测，LangGraph 对分支执行逻辑的解析也涉及按条件控制 Agent 执行路径的工程实践。

近期 Conditional 方向的热点集中在两类场景：一是生成效率，条件流匹配等方法正把生成式模型推向实时级科学模拟；二是条件信息的组织方式，从 MUNITE 的统一潜变量到 Conditional Program 的存储压缩，都在回答