待验证50% 置信事实精确时间

Normalizing Trajectory Models（NTM）将反向过程中的每一步建模为富有表达力的条件归一化流，而非高斯去噪

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/10/8

首次发现

有效期至：2027/1/6

来源

Normalizing Trajectory Models：让少步生成重拾精确似然框架

涉及实体

Normalizing Trajectory Modelsconcept 条件归一化流concept

相关事实

待验证该方法训练一个单一的条件潜在扩散模型，可根据方向标志将动态系统在时间上向前推进或向后回溯65% 相似待验证推理期引导通过在反向扩散或流的每一步加入观测似然的梯度，将采样轨迹拉向与观测一致的区域，无需重新训练模型64% 相似待验证在推理网络中，节点代表不同的LLM，边代表条件性的模型激活（即在满足某种条件时才触发下一个模型调用）64% 相似已验证扩散模型的核心思路来源于非平衡热力学，训练阶段将清晰图像逐步加入高斯噪声，推理阶段从随机噪声逆向去除噪声还原图像64% 相似已验证扩散模型的核心原理分为前向扩散过程（逐步添加高斯噪声）和反向去噪过程（从噪声中还原图像）两个阶段64% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/988308

API

curl https://kongchang.com/api/v1/knowledge/claims/988308

MCP

get_claim(id=988308)