待验证50% 置信事实精确时间

Diffusion-LM的生成流程分三步：用可学习词嵌入将词映射为连续向量、通过扩散模型迭代去噪得到连续隐变量序列、通过Rounding操作将连续向量还原为离散文本

1

来源数

50%

置信度

长期有效

时效性

2026/9/2

首次发现

来源

Diffusion-LM精读：扩散模型如何实现细粒度文本可控生成

涉及实体

Diffusion-LMconcept

相关事实

待验证离散扩散语言模型主流方案包括：将token映射到连续嵌入空间进行扩散（如Diffusion-LM），或设计离散扩散过程用掩码模拟加噪（如D3PM、MDLM）74% 相似待验证Diffusion-LM使用可学习嵌入而非固定嵌入，因为嵌入空间的几何结构需要与扩散过程的去噪动力学相互适配73% 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68% 相似待验证Lyra将提示词生成过程拆解为四个阶段：解构、诊断、开发、交付66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/843367

API

curl https://kongchang.com/api/v1/knowledge/claims/843367

MCP

get_claim(id=843367)