待验证50% 置信事实精确时间
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
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
待验证文本扩散采用掩码扩散（Masked Diffusion）方案，用[MASK]token替代真实token模拟损坏状态，再训练模型恢复原始文本，以块为单位并行输出66% 相似待验证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66% 相似已验证Anthropic于2023年的单义性研究探索了如何通过稀疏自编码器将混叠的特征分离出来62% 相似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62% 相似已验证Stable Diffusion的文本引导通过CLIP文本编码器将提示词转化为向量61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/238232API
curl https://kongchang.com/api/v1/knowledge/claims/238232MCP
get_claim(id=238232)