자기 조건화 (Self-conditioning)는 연속적인 흐름 기반 언어 모델 (continuous flow-based language models)을 향상시키는 핵심 기술로, 모델이 자신의 노이즈 제거 추정치 (denoising estimate)를 조건으로 사용하여 생성된 텍스트의 노이즈를 제거하는 법을 학습합니다. 경험적으로는 성공적이지만, 그 성능 향상 원인은 명확히 이해되지 않았습니다. 또한, 흐름 맵 (flow maps)에 기반한 몇 단계 생성기 (few-step generators) 사용에 대한 관심이 높아지고 있으나, 여기서 자기 조건화를 어떻게 활용할지는 불분명합니다. 본 논문에서는 자기 조건화가 적용된 흐름 언어 모델이 학습된 노이즈 제거기 (denoiser)의 성능을 부트스트래핑 (bootstrapping)하는 고정점 반복 (fixed-point iteration)을 해결한다는 것을 보여줍니다. 우리는 이러한 관점을 사용하여 자기 조건화된 흐름의 2차원 클래스인 고정점 흐름 (fixed-point flows)을 공식화하며, 여기서 첫 번째 차원은 흐름 과정 (flow process)을 나타내고 두 번째 차원은 고정점 반복을 나타냅니다. 우리는 고정점 흐름이 유효한 흐름 맵을 정의함을 보여주며, 고정점 반복은 고정점 증류 (fixed-point distillation)를 통해, 흐름 과정은 흐름 맵 증류 (flow map distillation)를 통해 압축함으로써 자기 조건화된 흐름 모델로부터 이를 증류할 수 있음을 보여줍니다. 결과물인 흐름 맵 언어 모델 FMLM$^\star$는 OpenWebText 데이터셋에 대한 1단계 및 몇 단계 생성 모두에서 최첨단 (state-of-the-art) 자기 조건화 모델 및 몇 단계 모델보다 뛰어난 성능을 보입니다. 코드는 https://github.com/Ugness/self-conditioned-fmlm 에서 확인할 수 있습니다.