本文探讨了大规模Sinkhorn耦合在训练流模型中的优势。流模型通过时间依赖的速度场将数据从一种模态转换为另一种模态。研究表明，增加样本对数量和优化耦合锐度能显著提升流模型在合成和图像生成任务中的表现，尤其是在低熵正则化条件下。

扩散模型与最优传输之间的关系尚不明确。研究表明，流模型在某些情况下无法实现最优传输。Lavenant和Santambrogio的论文提供了反例，表明逆向流映射并不总是最优传输。