随着机器学习（ML）与人工智能（AI）模型不断深入高风险领域（如医疗保健与科学研究），模型不仅需要具备高精度，还应具备 可解释性 。在现有的可解释方法中， 反事实解释（counterfactual explanation） 通过识别能够改变模型预测结果的最小输入改变量，从而提供更深入的解释性洞见。然而，当前的反事实生成方法仍存在关键性局限，包括 梯度消失 、 潜在空间不连续 ，以及 过度依赖学习到的决策边界与真实决策边界的一致性 等问题。 为克服上述限制，我们提出了一种基于 条件流匹配（conditional flow matching） 的全新反事实解释算法—— LEAPFACTUAL 。该方法能够在真实与学习的决策边界不一致的情况下，生成 可靠且信息丰富的反事实样本 。遵循模型无关（model-agnostic）的设计理念，LEAPFACTUAL不仅适用于具有可微损失函数的模型，还能处理 人类参与式系统（human-in-the-loop systems） ，从而将反事实解释的应用范围扩展到需要人工标注者参与的领域，如 公民科学（citizen science） 。 我们在多个基准与真实世界数据集上进行了大量实验，结果表明：LEAPFACTUAL能够生成 准确且分布内（in-distribution） 的反事实解释，为模型提供 可操作性洞见（actionable insights） 。例如，我们观察到，所生成的与真实标签一致的可靠反事实样本可作为新的训练数据，用于进一步提升模型性能。总体而言，所提出的方法具有广泛的适用性，不仅促进了 科学知识发现 ，也增强了 非专业用户的可解释性理解。