待验证50% 置信权衡取舍精确时间
扩散模型可对整个序列并行去噪，而非像自回归模型那样逐字推进，理论上能提升生成吞吐量
1
来源数
50%
置信度
长期有效
时效性
2026/7/8
首次发现
来源
谷歌AI密集更新：Gemini 3.5实时翻译、NotebookLM升级与DiffusionGemma解析
twitterGoogleAI2026/6/12
相关事实
已验证扩散模型是一类基于马尔可夫链的生成模型，核心思想是通过前向加噪和反向去噪来捕捉数据分布82% 相似待验证扩散语言模型可以同时对整个序列的所有token进行并行预测与迭代优化，而非逐个输出77% 相似待验证DRaFT利用扩散模型去噪过程的可微性，将奖励函数梯度直接回传至模型参数，无需强化学习的策略梯度估计器，规避高方差问题75% 相似已验证扩散模型通过逐步添加高斯噪声再训练模型学习逆向去噪的马尔可夫链机制，规避了对抗训练的不稳定性74% 相似已验证扩散模型在推理阶段从随机高斯噪声出发，经数十至数百步迭代去噪得到输出，即便固定随机种子，提示词的细微差异也会导致人脸特征、服装细节的显著偏移74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/238230API
curl https://kongchang.com/api/v1/knowledge/claims/238230MCP
get_claim(id=238230)