生成流网络（GFlowNets）是一种学习离散空间概率质量函数的生成框架，具有出色的样本效率和目标分布匹配能力，尤其在处理长轨迹和稀疏奖励时表现优异。通过引入优先回放和新损失函数，GFlowNets在多个结构化对象生成任务中取得成功，并在强化学习中超越传统算法。

通过概率质量函数和量化处理，引入了一种新的后训练采样算法，使得重建的样本更接近真实图像。该方法在速度和性能上优于高斯混合模型的采样技术，并在多个模型和数据集上展现了显著的改进。同时，证实了该方法在估算潜在空间分布方面的有效性，特别是通过Wasserstein距离的比较。