A bug on the set_timesteps function of the FlowMatchEulerDiscreteScheduler

快速结论：当用户自定义 timesteps 参数传入 FlowMatchEulerDiscreteScheduler.set_timesteps() 时，如果 self.config.shift != 1.0（或其他修改 sigma 的配置），则 timesteps 与底层 sigmas 的同步关系会被破坏（即不再满足 sigmas * num_train_timesteps = timesteps）。

问题场景

用户在使用 FlowMatchEulerDiscreteScheduler 并手动设置推理循环（custom inference loops）时，例如参考 Write your own pipeline 教程，或实现 AFS（Unified Sampling Framework）等方法时发生。在 Stable Diffusion 3、Flux 等使用 flow matching 模型的自定义 Pipeline 中均可能触发。

报错原文

# 核心问题现象：
# 当 shift != 1.0 时，以下两个调用产生的 timesteps 值不同：
scheduler.set_timesteps(num_inference_steps=2)
scheduler.set_timesteps(timesteps=[1000.0, 2.99401209])  # 与上述相同的 step 对应值

# 但 sigmas 列表却完全相同。
# 导致手动设置 timesteps 时，输入到神经网络的 timestep 与实际的 noisy level 不匹配（OOD）

更严格的验证方法：

# 同步关系被破坏：断言失败
torch.testing.assert_close(scheduler.sigmas[:-1] * scheduler.config.num_train_timesteps, scheduler.timesteps)

原因分析

在 set_timesteps 函数内部（scheduling_flow_match_euler_discrete.py 第 341 行附近），一开始 sigmas = timesteps / self.config.num_train_timesteps 保证了两者同步。然而当 shift != 1.0（或使用 dynamic shifting、use_karras_sigmas=True 等配置）时，sigmas 在后续代码中被修改，而 self.timesteps 在第 370 行附近却直接基于原始的自定义 timesteps 创建，导致二者不同步。

可能原因：这是一个底层设计问题：当用户提供自定义 timesteps 时，代码是否应该同时修改 sigmas 或 timesteps？当前行为会修改自定义 sigmas（例如施加 shift），这虽然是 dynamic shifting 的预期行为（如 Flux pipeline 在使用自定义 sigmas 时依赖 scheduler 自动进行 shift），但对用户手动直接提供 timesteps 的场景来说，则产生意外结果。

注意：对于蒸馏后的 LTX 2 检查点，需要设置 shift=1.0 以避免此问题导致的 sigma 序列被意外修改。

环境排查

Diffusers 版本：确认 diffusers.__version__，修复 PR #14011 的合并状态。
FlowMatchEulerDiscreteScheduler 配置：确认 shift 参数值（默认 1.0，非 1.0 时易触发）。
检查是否使用了 use_karras_sigmas 或其他 sigma 调度配置。
确认自定义 timesteps 的来源（是否从自动生成的 timesteps 复制而来，还是手动构造的线性/其他方式）。

解决步骤

可优先尝试：临时将 shift 显式设为 1.0：
scheduler = FlowMatchEulerDiscreteScheduler(shift=1.0)
或直接使用默认配置。
如果必须用自定义 timesteps 且希望按原始 noisy 级别对应，只需设置 num_inference_steps 而不传 timesteps，让 scheduler 自动生成：
scheduler.set_timesteps(num_inference_steps=10)
提供自定义 timesteps 时，建议同步检查 sigmas 是否正确（使用上述断言检查）。
等待修复 PR #14011 合并到新版 diffusers 后升级即可解决问题。
如果必须编写依赖手动 timesteps 的 Pipeline（如 Flux 自定义动态 shift），注意内部通常传入的是自定义 sigmas 而非直接传 timesteps，此时 scheduler 会正确应用 dynamic shift；应避免混用。

验证方法

运行以下代码确认同步关系恢复：

# 应在 fix 后通过（不抛出 AssertionError）
import torch
from diffusers import FlowMatchEulerDiscreteScheduler

scheduler = FlowMatchEulerDiscreteScheduler(shift=2.0)
scheduler.set_timesteps(num_inference_steps=10)
sigmas = scheduler.sigmas
custom_timesteps = scheduler.timesteps.tolist()
scheduler.set_timesteps(timesteps=custom_timesteps)

# 断言通过说明已修复
torch.testing.assert_close(scheduler.sigmas[:-1] * scheduler.config.num_train_timesteps, scheduler.timesteps)
torch.testing.assert_close(sigmas, scheduler.sigmas)