待验证75% 置信事实时间未知
Veo采用了级联扩散模型（Cascaded Diffusion Models）架构，先在低分辨率空间生成语义骨架，再逐步上采样至高分辨率
1
来源数
75%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
Gemini 3.1 Pro实测：音乐、视频、编程等六大功能深度体验
bilibili进化中的阿陈
涉及实体
相关事实
待验证多阶段级联生成架构（Cascaded Diffusion Model）先在低分辨率生成整体构图，再通过超分辨率网络逐步放大补充高频细节72% 相似待验证扩散模型推理速度较慢，通常需要数十步去噪迭代才能生成一张图像，这催生了DDIM、DPM-Solver等加速采样算法63% 相似已验证扩散模型以 DALL-E 2、Stable Diffusion、Midjourney 为代表，重新定义了图像生成任务63% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像62% 相似待验证Stable Diffusion 基于去噪扩散概率模型（DDPM）理论，将扩散过程从像素空间转移到低维潜在空间，由VAE负责编解码，CLIP模型将文本提示编码为语义向量61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/12506API
curl https://kongchang.com/api/v1/knowledge/claims/12506MCP
get_claim(id=12506)