待验证50% 置信事实精确时间

研究量化了真实离散观测路径分布与模型生成路径分布之间的 KL 散度界限，保证得分估计足够准确时生成路径统计规律逼近真实过程

1

来源数

50%

置信度

长期有效

时效性

2026/10/8

首次发现

来源

条件扩散模型学习跳跃-扩散过程转移核：理论与实证新进展

涉及实体

KL散度concept

相关事实

待验证K-Means聚类算法在标准实现中天然依赖欧氏距离，每一步计算样本点到聚类中心的欧氏距离并分配类别77% 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71% 相似待验证当前主流扩散模型倾向于在每一步选择概率最高的去噪路径，导致生成结果趋向于训练数据分布的统计中心，呈现最平均的视觉表现71% 相似待验证MoE 模型量化时通常路由器层会保留更高精度以维持路由准确性70% 相似待验证贝叶斯推断、最大似然估计、KL 散度等概率统计概念在现代生成模型（如 VAE、Diffusion Model）中广泛应用70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/987009

API

curl https://kongchang.com/api/v1/knowledge/claims/987009

MCP

get_claim(id=987009)