待验证50% 置信事实精确时间

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

1

来源数

50%

置信度

长期有效

时效性

2026/7/12

首次发现

来源

直接优化人脸相似度：角色LoRA训练提速实战指南

redditr/StableDiffusion2026/7/11

相关事实

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79% 相似待验证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75% 相似已验证扩散模型的核心思路来源于非平衡热力学，训练阶段将清晰图像逐步加入高斯噪声，推理阶段从随机噪声逆向去除噪声还原图像74% 相似待验证扩散模型通过模拟从噪声到结构的去噪过程能有效采样配体的多种低能构象，DiffDock采用此核心技术路线73% 相似待验证过拟合的统计原理是当模型参数量相对训练数据过多时，模型会记住噪声而非学到规律72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/490039

API

curl https://kongchang.com/api/v1/knowledge/claims/490039

MCP

get_claim(id=490039)