조건을 만족하면서도 원래 분포에 머무는 법, MintFlow의 작은 개입

오늘 다루는 논문은 MintFlow: Minimal Trajectory Intervention for Constrained Flow Matching으로, arXiv:2610.02260으로 공개된 flow matching의 조건부 샘플링에 대한 연구입니다. 원문은 이 글의 제목 아래에 함께 걸려 있습니다.

이 연구가 내세우는 주장은 하나로 정리됩니다. 학습된 flow field는 그대로 두고 중간 상태만 가장 작게 건드려서, 그 뒤의 흐름이 조건을 만족하게 만든다는 것입니다. 이 글에서는 그 발상이 왜 나왔는지, 작은 개입을 한 번에 구하는 계산이 어떤 감각인지, 개입 시점을 고르는 일이 왜 본질적인지, 그리고 분포를 지킨다는 말을 어디까지 믿을 수 있는지를 순서대로 이야기합니다.

왜 이 논문을 집어 들었을까

안녕하세요, 패트릭입니다. 저는 평소에 생성 모델을 볼 때 숫자보다 먼저 그 모델이 어디에서 타협하는지를 봅니다. 조건을 하나 붙였을 때 결과물이 얼마나 달라지는지, 그 달라짐이 우연인지 구조적인 것인지가 궁금하기 때문입니다. 그래서 조건부 샘플링이라는 주제는 저에게 늘 조금 아픈 손가락 같은 것이었습니다.

MintFlow를 집어 든 이유도 거기에 있습니다. 이 논문은 모델을 다시 학습시키지 않겠다고 선언하면서 시작하는데, 그 선언이 오히려 저를 멈춰 세웠습니다. 보통 조건을 맞추려면 모델을 손보거나 샘플링 과정을 여러 번 되풀이하는 쪽을 택하기 때문입니다. 그런데 여기서는 학습된 흐름은 손대지 않고, 지나가는 상태만 살짝 옮기겠다고 말합니다. 그렇다면 정말 그 정도로 충분할까 하는 질문이 바로 생깁니다.

제가 이 논문에서 가장 흥미롭게 본 부분은 그 자신감의 근거입니다. 무작정 조건에 맞추는 것이 아니라, 조건을 만족시키는 여러 가능성 가운데 원래 분포에서 가장 적게 벗어나는 지점을 찾겠다는 것입니다. 이 문장을 처음 읽었을 때는 마치 내비게이션이 경로를 다시 그리는 장면이 떠올랐습니다. 목적지를 바꾸지 않고도, 지금 서 있는 위치를 한 블록만 옮기면 이후의 길이 자연스럽게 이어지는 경우가 있지 않습니까. 물론 생성 모델의 궤적이 실제 길처럼 단순하지는 않습니다. 하지만 방향은 분명합니다. 모델을 뜯어고치는 대신, 지나가는 길 위에서 개입하겠다는 것이죠.

여기서는 조금 조심해서 읽을 필요가 있습니다. 작은 개입이라는 말이 쉬운 해결책처럼 들리지만, 실제로는 언제 어디를 얼마나 건드려야 하는지가 전부이기 때문입니다. 저는 그래서 도입부를 읽고 나서 바로 메커니즘으로 넘어갔습니다. 말이 되는 이야기인지, 계산이 뒷받침되는 이야기인지를 확인하고 싶었습니다.

조건을 붙이면 생성이 틀어지는 이유

flow matching 모델을 써본 분들은 비슷한 경험을 해보셨을 겁니다. 그냥 뽑으면 그럴듯한 그림이 나오는데, 특정 조건을 붙이는 순간 어딘가 어색해진다는 것입니다. 관측된 측정값에 맞추라고 하면 전체적인 질감이 무너지고, 물리 법칙을 지키라고 하면 장면은 맞는데 디테일이 굳어버립니다. 왜 이런 일이 반복될까요.

이유는 생각보다 단순합니다. 학습된 모델이 아는 것은 조건 없는 세상의 모양이기 때문입니다. 이 모델은 수많은 예시를 보면서 어떤 장면이 자연스러운지를 몸으로 익혔는데, 조건이라는 것은 그 자연스러움의 바깥에서 들어오는 요구입니다. 그래서 조건을 세게 걸수록 샘플은 원래 분포에서 멀어질 수밖에 없습니다. 연구진이 지적한 지점도 바로 여기입니다. 조건을 강제하는 과정이 샘플을 학습된 분포 밖으로 밀어낼 수 있다는 것이죠.

그런데 이 밀려남은 매번 같은 방식으로 일어나지 않습니다. 어떤 때는 색감이나 질감이 먼저 무너지고, 어떤 때는 구조 자체가 어색해집니다. 저는 이 차이를 보면서 조건부 생성의 어려움이 단일한 기술 문제가 아니라는 생각을 했습니다. 조건의 종류마다 모델이 받는 압력의 방향이 다르기 때문입니다. 측정값처럼 구체적인 숫자를 맞추라는 요구와, 물리 법칙처럼 전역적인 일관성을 지키라는 요구는 모델에게 서로 다른 부담을 줍니다.

여기서 재미있는 질문이 생깁니다. 조건을 만족시키면서도 원래 분포에 머무는 일이 과연 가능할까 하는 것입니다. 기존의 방법들은 이 두 마리 토끼를 함께 잡는 데 자주 실패했습니다. 조건은 맞췄는데 결과물이 어색하거나, 결과물은 자연스러운데 조건이 어긋나는 식입니다. 그래서 저는 이 문제를 정확도의 문제가 아니라 거리 통제의 문제로 바라보게 됐습니다. 조건을 맞추는 데 필요한 이동 거리를 얼마나 줄일 수 있는지가 관건이라는 것이죠. MintFlow는 바로 이 질문에서 출발합니다.

다시 학습하지 않고 조건을 맞추는 발상

저희가 새로운 AI 아키텍처를 볼 때도 benchmark 숫자만 보지는 않습니다. 실제로 무엇이 바뀌었고, 그 변화가 시스템에서 어떤 비용 구조를 만드는지를 함께 봅니다. 이런 관점에서 보면 MintFlow의 training-free라는 선언은 단순한 편의가 아닙니다. 재학습이 없다는 것은 곧 기존 자산을 그대로 쓴다는 뜻이기 때문입니다.

이미 학습된 큰 생성 모델을 다시 학습시키는 일은 시간과 비용이 만만치 않습니다. 데이터 파이프라인을 다시 돌려야 하고, 하이퍼파라미터를 다시 맞춰야 하며, 자칫하면 원래 잘하던 것까지 망가질 수 있습니다. 그래서 현업에서는 학습된 모델을 얼려 두고 싶어 합니다. 문제는 얼려 둔 모델에 조건을 어떻게 입히느냐는 것입니다. 매번 모델을 새로 만들 수 없으니, 샘플링 단계에서 무언가를 해야 합니다.

MintFlow가 고른 답은 궤적에 대한 개입입니다. 학습된 flow field는 그대로 두고, 중간 상태만 살짝 옮긴 뒤에는 다시 학습된 흐름에 맡기는 것입니다. 이렇게 하면 조건은 중간 지점의 이동으로 처리하고, 자연스러움은 학습된 흐름이 보장하게 됩니다. 역할 분담이 분명해지는 것이죠. 저는 이 구분이 마음에 들었습니다. 무엇을 계산에 맡기고 무엇을 조회에 맡길지를 나누는 일이 설계의 본질인 경우가 많기 때문입니다.

물론 여기서 바로 다음 질문이 따라옵니다. 그렇다면 그 살짝이라는 것은 누가 정할까 하는 것입니다. 감으로 옮기면 조건이 안 맞을 것이고, 크게 옮기면 분포가 깨질 것입니다. 그래서 필요한 것이 가장 작은 개입을 정확히 구하는 계산입니다. 이 논문은 그 계산을 반복 최적화 없이 한 번에 구하겠다고 말합니다. 이 대목에서 저는 기대와 의심이 함께 생겼습니다. 한 번에 구한다는 말은 매력적이지만, 그 말이 성립하려면 흐름의 구조를 꽤 정확히 이용해야 하기 때문입니다.

궤적을 살짝 건드린다는 말의 실제 감각

궤적이라는 말을 들으면 어렵게 느껴질 수 있지만, 감각 자체는 일상적입니다. 강물을 따라 내려가는 배를 떠올려 보겠습니다. 강의 흐름은 이미 정해져 있고, 배는 그 흐름을 따라 움직입니다. 그런데 도착 지점에 작은 부두가 있어서 거기에 정확히 대야 한다고 해보겠습니다. 강의 흐름을 바꿀 수는 없습니다. 그렇다면 할 수 있는 일은 출발 직후나 중간 지점에서 배의 위치를 살짝 옮기는 것뿐입니다. 그 뒤에는 다시 강의 흐름에 맡기면 됩니다.

MintFlow가 말하는 중간 상태에 대한 개입도 이와 비슷합니다. pretrained flow field라는 강의 흐름은 그대로 두고, 중간 시각의 상태라는 배의 위치만 옮기는 것입니다. 이후의 진화는 학습된 흐름이 그대로 이어받습니다. 그래서 조건 만족 여부는 옮긴 뒤에 흘러간 결과가 조건에 닿는지로 판단합니다. 조건을 현재 위치에서 직접 맞추는 것이 아니라, 앞으로 흘러갈 것을 내다보고 미리 옮겨두는 셈입니다.

이 발상이 기존 방식과 다른 지점은 개입의 크기를 명시적으로 따진다는 데 있습니다. 저는 이 숫자보다 그 뒤의 구조가 더 중요하다고 봅니다. 조건을 만족시키는 옮김은 여러 개가 있을 수 있는데, 그 가운데 원래 상태에서 가장 가까운 것을 고르겠다는 것이기 때문입니다. 이렇게 하면 조건은 지키면서도 학습된 분포에서 벗어나는 정도를 줄일 수 있습니다. 분포를 지킨다는 말이 추상적으로 들릴 수 있지만, 여기서는 꽤 구체적입니다. 옮긴 거리가 작을수록 원래 분포 근처에 머문다는 것이죠.

여기서 한 가지 오해를 미리 걷어낼 필요가 있습니다. 작게 옮긴다는 것이 아무 데서나 조금씩 흔들라는 뜻은 아닙니다. 오히려 반대입니다. 어디에서 옮길 때 가장 효율적인지를 따져야 작은 움직임으로도 조건에 닿을 수 있기 때문입니다. 그래서 다음 이야기는 자연스럽게 계산으로 이어집니다. 어떻게 하면 그 가장 작은 옮김을 비싼 반복 없이 구할 수 있을까 하는 것이죠.

뒤에서 앞으로 풀어 한 번에 답을 구하는 계산

제가 앞으로 보고 싶은 것은 아니지만, 제가 이번에 가장 오래 머문 대목은 adjoint를 이용한 계산입니다. 이름만 들으면 낯설 수 있는데, 발상은 의외로 직관적입니다. 앞에서 뒤를 내다보며 시행착오를 반복하는 대신, 뒤에서 앞으로 거슬러 올라가면서 답을 직접 구한다는 것입니다.

상황을 구체적으로 그려보겠습니다. 중간 시각에 상태를 조금 옮겼다고 해보겠습니다. 그 작은 차이가 이후의 흐름을 타고 마지막 상태에 어떤 변화로 나타날지는 흐름의 민감도에 달려 있습니다. 어떤 구간에서는 작은 차이가 그대로 전달되고, 어떤 구간에서는 크게 불어나기도 합니다. 이 민감도를 앞에서부터 일일이 시험하면 비용이 큽니다. 매번 옮겨보고 흘려보고 조건을 재는 과정을 반복해야 하기 때문입니다.

그런데 흐름이 미분 가능한 구조라면 다른 길이 열립니다. 마지막 조건의 어긋남이 중간 상태의 움직임에 얼마나 민감한지를 뒤에서 앞으로 전파시켜서 구할 수 있기 때문입니다. 이것이 adjoint가 하는 일에 가깝습니다. 조건의 어긋남이라는 신호를 거꾸로 흘려보내서, 중간 지점에서 어느 방향으로 얼마나 움직여야 하는지를 알아내는 것이죠. 논문은 이 과정을 통해 가장 작은 개입에 대한 닫힌 형태의 식을 얻었다고 설명합니다. 반복 최적화가 필요 없다는 말의 근거가 여기 있습니다.

저는 이 대목을 읽으면서 계산 비용의 성격이 바뀌었다는 느낌을 받았습니다. 반복 최적화는 시도 횟수에 비례해서 비싸지지만, 뒤에서 앞으로 푸는 계산은 구조를 한 번 타는 데 가깝기 때문입니다. 물론 이 말이 모든 상황에서 그대로 성립한다고 단정해서는 안 됩니다. 흐름이 복잡하게 꼬여 있거나 조건이 까다로우면 근사의 품질이 문제될 수 있기 때문입니다. 하지만 적어도 방향은 분명합니다. 시행착오를 줄이고 구조를 이용하겠다는 것이죠. 논문이 training-free를 넘어서 비싼 반복마저 피하겠다고 말하는 이유가 여기에 있습니다.

개입 시점을 고르는 일이 왜 본질적일까

앞에서 미뤄둔 질문으로 돌아올 차례입니다. 언제 개입해야 가장 작게 움직이고도 조건에 닿을 수 있을까요. 논문은 이 개입 시점을 적응적으로 고른다고 말하는데, 저는 이 선택이 전체 방법에서 가장 현실적인 대목이라고 봅니다.

이유는 상충 관계가 분명하기 때문입니다. 일찍 개입하면 작은 움직임으로도 이후의 긴 흐름을 통해 조건 쪽으로 이끌 수 있습니다. 시간이 많이 남았으니 흐름이 차이를 모아주기 때문입니다. 그런데 같은 이유로 원치 않는 증폭도 함께 일어날 수 있습니다. 작은 움직임이 커지면서 원래 분포에서 멀어질 여지가 생기는 것이죠. 반면 늦게 개입하면 남은 흐름이 짧아서 증폭은 작지만, 조건에 닿기 위해 한 번에 크게 움직여야 할 수 있습니다. 늦을수록 정밀한 조종이 아니라 힘으로 밀어야 하는 셈입니다.

그래서 필요한 것이 균형입니다. 요구되는 움직임의 크기와 남은 흐름에 의한 증폭을 함께 보고, 둘의 합이 가장 작아지는 지점을 찾는 것입니다. 저는 이 대목을 읽으면서 사진관에서 보정을 보는 느낌이 들었습니다. 처음부터 다시 찍을 수는 없고, 후보정으로 얼굴은 살리면서 배경의 어긋남만 고쳐야 합니다. 너무 이른 단계에서 크게 손대면 전체 분위기가 달라지고, 너무 늦게 손대면 어긋남을 메우느라 과하게 만지게 됩니다. 결국 어디에서 손대는지가 결과의 자연스러움을 좌우합니다.

여기서는 조금 조심해서 읽을 필요가 있습니다. 적응적 선택이라는 말이 만능처럼 들릴 수 있기 때문입니다. 실제로는 흐름의 민감도를 얼마나 정확히 아는지에 따라 선택의 품질이 달라질 것입니다. 저는 그래서 이 부분을 방법의 장점이자 동시에 약한 고리로 봅니다. 방향은 옳지만, 그 선택이 매번 안정적일지는 구현과 조건의 성격에 달려 있기 때문입니다. 다만 적어도 문제를 올바른 자리에 두었다는 점은 분명합니다. 무엇을 얼마나 움직일지와 함께, 언제 움직일지를 함께 묻고 있기 때문입니다.

측정값과 물리 법칙을 같은 틀로 바라보기

그렇다면 이 방법은 어떤 조건에 쓰려는 것일까 하는 질문이 남습니다. 논문이 언급하는 쓰임새는 관측된 측정값과 물리 법칙 같은 규정된 조건입니다. 저는 이 두 가지를 나란히 둔 대목이 마음에 들었습니다. 얼핏 보면 서로 다른 요구처럼 보이지만, 궤적 개입이라는 관점에서는 같은 질문으로 묶이기 때문입니다.

측정값 조건을 먼저 생각해 보겠습니다. 예를 들어 일부 픽셀이나 일부 센서 값이 이미 정해져 있고, 나머지를 그에 맞게 채워야 하는 상황을 떠올릴 수 있습니다. 밤사이 일부 관측이 늦게 도착해서 빈칸이 생긴 예측 라인을 아침에 메워야 하는 경우도 비슷합니다. 이미 정해진 값은 건드릴 수 없고, 나머지를 자연스럽게 이어야 합니다. 이때 중간 상태를 살짝 옮겨서 이후의 흐름이 관측값에 닿게 만드는 발상은 꽤 잘 맞습니다.

물리 법칙 조건은 결이 조금 다릅니다. 특정 값이 정해진 것이 아니라, 결과 전체가 따라야 하는 규칙이 정해진 경우입니다. 유체의 흐름이라면 발산이 없어야 한다거나, 에너지가 보존돼야 한다는 식입니다. 이런 조건은 한 지점만 맞춘다고 해결되지 않습니다. 전체 궤적이 흘러간 뒤의 결과가 규칙을 만족해야 하기 때문입니다. 그런데 MintFlow의 틀에서는 이 역시 같은 방식으로 다룰 수 있습니다. 중간 개입 뒤의 진화가 규칙을 만족하도록 옮김을 고르면 되기 때문입니다.

물론 두 조건의 어려움이 같다는 뜻은 아닙니다. 측정값은 어디가 어긋났는지가 분명하지만, 물리 법칙은 어긋남의 원인이 넓게 퍼져 있을 수 있습니다. 저는 그래서 평가가 영상 생성과 물리 시스템 모델링이라는 두 축으로 나뉜 대목에 주목했습니다. 서로 다른 성격의 조건에서도 같은 개입 틀이 통하는지를 보겠다는 의도로 읽기 때문입니다. 이 글에서는 개별 점수를 되풀이하지 않겠습니다. 대신 구조적인 메시지만 남기겠습니다. 조건의 종류가 달라도, 중간 개입과 이후 흐름이라는 분리 자체는 그대로 쓸 수 있다는 것이죠.

분포를 지킨다는 말을 어디까지 믿을 수 있을까

이제 가장 조심스럽게 다뤄야 하는 문장으로 돌아오겠습니다. 조건은 경쟁력 있게 맞추면서도 학습된 분포는 기존 방법보다 훨씬 잘 지킨다는 주장입니다. 이 문장은 매력적이지만, 그대로 받아들이기 전에 조건을 봐야 합니다. 저는 이 숫자는 그대로 믿기 전에 조건을 봐야 한다고 생각합니다.

먼저 좋은 소식부터 정리하겠습니다. 중간 상태의 이동 거리를 최소화한다는 목적 자체가 분포 보존과 직접 연결됩니다. 멀리 옮길수록 원래 분포에서 벗어날 가능성이 커지고, 가까이 머물수록 원래 분포 근처에 남기 때문입니다. 학습된 흐름을 그대로 쓴다는 점도 같은 방향입니다. 흐름 자체를 바꾸면 분포 전체가 흔들릴 수 있지만, 흐름을 얼려 두면 자연스러움의 기준이 유지되기 때문입니다. 그래서 적어도 설계의 의도는 분명합니다. 조건을 맞추는 데 필요한 이동을 가장 작게 만들어서, 분포의 어긋남을 함께 줄이겠다는 것이죠.

그런데 여기서 반론도 바로 생깁니다. 이동 거리가 작다고 해서 항상 분포가 보존되는 것은 아니기 때문입니다. 분포의 모양에 따라서는 작은 이동이라도 민감한 방향이 있을 수 있습니다. 계곡이 좁은 지형에서는 한 발짝만 옮겨도 풍경이 완전히 달라지는 것처럼요. 또한 조건 자체가 원래 분포와 멀리 떨어져 있다면, 작은 이동으로는 조건에 닿을 수 없습니다. 이 경우에는 분포를 지키는 것과 조건을 맞추는 것이 본질적으로 충돌합니다. 방법의 문제가 아니라 문제 자체의 성격인 것이죠.

저는 그래서 이 주장을 분포를 완벽히 지킨다는 말이 아니라, 조건 만족과 분포 이탈 사이의 교환 관계를 더 나은 쪽으로 옮겼다는 말로 읽습니다. 기존의 조건부 샘플러들이 조건을 맞추느라 분포를 크게 밀어냈다면, 이 방법은 같은 조건 만족을 더 작은 이동으로 달성하려 한다는 것입니다. 이 해석이 맞다면 다음 질문이 바로 생깁니다. 실제 시스템 관점에서 보면, 그 줄어든 이동이 체감될 만큼의 자연스러움으로 이어질까 하는 것입니다. 논문의 평가는 영상 생성과 물리 시스템이라는 두 영역에서 이뤄졌다고 정리돼 있는데, 저는 그 결과를 점수보다 구조로 기억하고 싶습니다. 흐름을 바꾸지 않고 상태만 옮겼다는 선택이, 분포의 감각을 지키는 데 유리한 출발점이라는 점으로 말이죠.

실제로 돌린다면 어디에서 막힐까

좋은데, 이걸 어디에 올릴까요. 저는 논문을 읽을 때마다 이 질문을 마지막에 꼭 던집니다. 연구실의 아이디어가 운영의 아침을 지키려면 통과해야 하는 관문이 따로 있기 때문입니다.

먼저 계산의 안정성을 생각해 보겠습니다. 뒤에서 앞으로 푸는 계산은 흐름의 민감도를 정확히 탈 때 가장 빛납니다. 그런데 실제 모델의 흐름은 매끄럽지 않은 구간을 포함할 수 있습니다. 학습된 벡터장이 급격히 바뀌는 지점에서는 작은 움직임의 효과가 크게 달라질 수 있습니다. 이 경우 닫힌 형태의 식이 가리키는 방향이 현장에서 그대로 통할지는 점검이 필요합니다. 저는 여기서 의심이 들었습니다. 한 번에 구한다는 말이 구현에서는 한 번의 추가 패스로 이어질 텐데, 그 패스의 비용과 안정성이 조건마다 얼마나 달라질지 궁금했기 때문입니다.

다음은 개입 시점 선택의 비용입니다. 가장 좋은 시점을 고르려면 여러 후보를 비교해야 할 수 있습니다. 비교 자체가 가벼우면 좋지만, 흐름의 길이가 길거나 조건이 복잡하면 선택 과정이 새로운 부담이 될 수 있습니다. 특히 실시간에 가깝게 돌려야 하는 서비스에서는 샘플링 한 번당 들어가는 추가 계산이 곧 지연으로 이어집니다. 학습을 하지 않는 대신 샘플링이 무거워지는 교환이 생기는 것이죠. 이 교환이 유리한지는 조건의 빈도와 서비스의 목표에 달려 있습니다. 가끔 까다로운 조건을 맞춰야 하는 경우라면 매력적이지만, 매 요청마다 조건이 빡빡하다면 다른 설계가 나을 수도 있습니다.

마지막으로 조건의 표현 방식이 남습니다. 측정값처럼 명확한 조건은 어긋남을 정의하기 쉽지만, 물리 법칙처럼 미분 연산자나 전역 제약을 포함한 조건은 어긋남을 숫자로 만드는 과정 자체가 설계입니다. 경계 조건을 어떻게 처리할지, 해상도가 바뀌면 조건의 강도가 어떻게 달라지는지 같은 디테일이 실제 성능을 좌우할 수 있습니다. (참고로 저는 이런 디테일을 논문의 부록보다 현장의 구현 메모에서 먼저 확인하는 편인데요. 논문이 가리키는 방향과 현장이 부딪히는 지점이 대개 거기에 있기 때문입니다.) 결국 남는 질문은 하나입니다. 이 방법이 어떤 조건에서는 가볍게 통하고, 어떤 조건에서는 손이 많이 가는지를 미리 구분할 수 있을까 하는 것이죠.

다음에 제가 보고 싶은 장면

그렇다면 사람의 역할은 무엇일까요. 저는 이 질문을 조건부 생성의 맥락에서 다시 던져보고 싶습니다. 조건을 정하는 일은 결국 사람이 무엇을 원하는지를 말하는 일이기 때문입니다. 측정값이든 물리 법칙이든, 그 조건을 숫자로 옮기는 순간 사람의 판단이 들어가기 때문입니다.

제가 앞으로 보고 싶은 것은 세 가지입니다. 첫째는 개입의 크기와 분포의 어긋남 사이의 관계를 더 직접 보여주는 그림입니다. 중간 상태를 얼마나 옮겼을 때 결과물의 자연스러움이 어떻게 바뀌는지, 그 교환 곡선이 조건의 종류마다 어떻게 달라지는지가 궁금합니다. 둘째는 개입 시점 선택의 실패 사례입니다. 어떤 조건에서는 이른 개입이 증폭을 키우고, 어떤 조건에서는 늦은 개입이 무리한 보정을 불렀는지를 알면 방법의 경계가 분명해질 것입니다. 셋째는 긴 흐름에서의 안정성입니다. 흐름이 길어질수록 작은 움직임의 효과가 복잡해질 텐데, 그때도 한 번의 계산이 버티는지를 보고 싶습니다.

이 논문이 흥미로운 이유는 단순히 조건을 맞췄다는 데 있지 않습니다. 조건을 맞추는 일을 모델의 수정이 아니라 궤적의 개입으로 다시 정의했다는 데 있습니다. 학습된 흐름은 존중하고, 필요한 만큼만 건드리고, 그 건드림을 한 번에 구하고, 언제 건드릴지를 함께 묻는다는 것이죠. 이 태도는 앞으로의 조건부 생성 연구에서도 유효할 것 같습니다. 모델을 키우는 것만이 능사가 아니라, 이미 배운 흐름을 어떻게 존중하면서 쓸 것인지를 묻는 쪽으로 말이죠.

다행히 막는 방법이 아니라 쓰는 방법에 대한 이야기라서 마무리가 가볍습니다. 다음에 조건부 샘플링 코드를 만질 때는 중간 상태를 직접 꺼내서 얼마나 옮겨야 조건에 닿는지를 먼저 재어보고 싶습니다. 그 거리가 짧다면 MintFlow가 말하는 작은 개입의 감각이 현장에서도 통할 것이기 때문입니다. 여러분도 각자의 조건을 떠올리며 같은 질문을 던져보시면 좋겠습니다. 지금 쓰고 있는 조건이 정말 모델을 뜯어고쳐야 할 만큼 먼 것인지, 아니면 궤적을 살짝만 옮겨도 닿을 만큼 가까운 것인지 말이죠.