待验证50% 置信事实精确时间
主流生成模型如扩散模型和流匹配模型本质上是概率生成器，通过从数据分布中采样来生成新样本
1
来源数
50%
置信度
长期有效
时效性
2026/9/14
首次发现
来源
涉及实体
相关事实
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76% 相似待验证对Kimi、GLM等模型做预填时，推理长度的分布会发生统计显著的偏移并向某个源模型对齐75% 相似待验证生成式模型建模联合概率 P(x,y) 或数据分布 P(x)，而判别式模型直接建模条件概率 P(y|x)；生成模型在小样本时更具优势，判别模型在大数据量时通常表现更好75% 相似待验证2020年后兴起的扩散模型（Diffusion Models）直接建立在随机微分方程与概率流的数学框架之上74% 相似待验证扩散模型通过全局并行生成和迭代修正，能从根本上规避自回归模型的「曝光偏差」（Exposure Bias）累积错误问题73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/919824API
curl https://kongchang.com/api/v1/knowledge/claims/919824MCP
get_claim(id=919824)