MeanFlow 생성기는 시간 간격에 걸친 평균 속도를 예측함으로써 빠른 몇 단계 샘플링을 달성하여 효율적인 생성을 위해 매력적입니다. 강화학습 (RL)은 확산 모델과 흐름 모델을 인간의 선호도 및 작업별 목표와 정렬하는 강력한 방법이 되었습니다. 특히, DiffusionNFT는 역방향 과정 궤적이나 가능도 추정(likelihood estimation)을 요구하지 않는 효율적인 forward-process RL 프레임워크를 제공합니다. 그러나 이러한 RL 방법을 MeanFlow에 적용하는 것은 아직 충분히 탐구되지 않았습니다. DiffusionNFT는 순간 속도를 최적화하는 반면, MeanFlow는 평균 속도로 샘플링합니다. 이 격차를 해소하기 위해, 우리는 MeanFlowNFT를 도입합니다. 평균 속도와 순간 속도를 연결하는 MeanFlow의 정체성(identity)에서 영감을 받아, 우리는 유도된 순간 속도 예측기(induced instantaneous-velocity predictor)를 구성합니다. 우리는 DiffusionNFT 목적 함수를 이 예측기에 적용하여, MeanFlow에 대한 보상 최적화가 잘 정의되도록 만듭니다. 샘플링은 평균 속도를 기반으로 유지되어, MeanFlow의 빠른 몇 단계 생성을 보존합니다. 나아가, 우리는 MeanFlowNFT가 DiffusionNFT의 엄격한 정책 개선(policy-improvement) 보장을 상속받는다는 것을 증명합니다. 이미지 및 비디오 생성에 대한 실험 결과는 MeanFlowNFT가 기준 모델을 일관되게 개선함을 보여줍니다. 더욱이, 이는 대부분의 지표($8$개 중 $6$개에서 SD3.5-M)에서 이전 최첨단 RL 튜닝된 몇 단계 생성기보다 우수하며, 단지 몇 번의 샘플링 단계만을 사용하면서도 다단계 RL 튜닝 확산 모델을 능가할 수 있습니다. 예를 들어, Wan 2.1에서 $4$단계 MeanFlowNFT는 VBench 점수 $84.33$에 도달하여, $50$단계 LongCat-Video RL ($82.57$)을 능가합니다.