待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/9/2
首次发现
来源
涉及实体
相关事实
待验证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72% 相似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）71% 相似已验证Stable Diffusion基于潜在扩散模型（Latent Diffusion Model），通过在压缩的潜在空间中进行去噪过程来生成高质量图像69% 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68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/843368API
curl https://kongchang.com/api/v1/knowledge/claims/843368MCP
get_claim(id=843368)