待验证85% 置信事实时间未知

早期的离散扩散语言模型如 MDLM、SEDD 通过在 Token 嵌入空间或掩码空间中定义扩散过程来解决文本离散性挑战

1

来源数

85%

置信度

长期有效

时效性

2026/5/31

首次发现

来源

Mercury 2 实测：扩散模型驱动的最快推理大模型，18秒生成完整游戏

bilibiliAI-seeker

涉及实体

MDLMmodel SEDDmodel

相关事实

待验证主流文生图模型如Stable Diffusion、Midjourney、DALL-E的底层架构通常是扩散模型与CLIP文本编码器的结合67% 相似待验证掩码扩散框架将加噪重新定义为token掩码替换，使扩散过程在离散文本域得以自洽66% 相似待验证研究者提出了掩码扩散（Masked Diffusion）、吸收态扩散（Absorbing Diffusion）等变体以解决文本离散空间的扩散挑战66% 相似待验证通过将模糊的风格描述拆解为具体设计参数（如无衬线字体、大量留白等），可以大幅收窄大语言模型的输出空间，提升结果一致性和可控性65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/14055

API

curl https://kongchang.com/api/v1/knowledge/claims/14055

MCP

get_claim(id=14055)