Unverified50% confidenceOpinionExact time
远距离概念融合在扩散模型中效果突出，因为模型被迫在特征空间中寻找新颖的插值路径
1
Sources
50%
Confidence
Long-term
Relevance
8/27/2026
First Seen
Sources
Related Entities
Related Claims
Unverified预训练模型迁移复用的假设是模型在源域学到的特征具有跨域泛化能力，但高层语义特征可能存在显著的域偏移70% similarUnverified文本扩散模型主要通过两条路径解决离散token问题：在连续嵌入空间执行扩散，或定义离散马尔可夫转移矩阵直接在token空间操作69% similarVerified扩散模型以 DALL-E 2、Stable Diffusion、Midjourney 为代表，重新定义了图像生成任务69% similarUnverified扩散模型在连续像素空间中学习概率分布，而非在离散符号空间中建立语义映射，与GPT系列语言模型的Token化处理路径存在架构分歧68% similarUnverified当前主流的Stable Diffusion、Midjourney和DALL-E等模型都基于潜在空间原理运作68% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/809066API
curl https://kongchang.com/api/v1/knowledge/claims/809066MCP
get_claim(id=809066)