待验证50% 置信事实精确时间
标准扩散模型通常让网络预测噪声ε，但Diffusion-LM让网络直接预测干净的隐变量X0
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
待验证扩散模型的反向过程通常使用U-Net或DiT（Diffusion Transformer）架构来预测每一步应去除的噪声量72% 相似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71% 相似待验证一致性模型通过训练网络直接预测去噪轨迹的端点，理论上可实现单步生成68% 相似已验证主流扩散模型（Diffusion Model）代表性产品包括Stable Diffusion、DALL-E 2早期版本、Midjourney，其工作原理是在训练阶段向图像逐步添加高斯噪声，再训练神经网络学习去噪的逆过程68% 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67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/843370API
curl https://kongchang.com/api/v1/knowledge/claims/843370MCP
get_claim(id=843370)