待验证60% 置信事实精确时间
论文《Diffusion-LM Improves Controllable Text Generation》将扩散模型迁移到离散文本上以实现可控生成，被公认为扩散语言模型方向的开山之作
2
来源数
60%
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
待验证主流文生图模型如Stable Diffusion、Midjourney、DALL-E的底层架构通常是扩散模型与CLIP文本编码器的结合74% 相似待验证连续扩散语言模型（dLLM）是一类将扩散模型应用于文本生成的模型，在连续隐空间中通过去噪过程生成文本，其隐空间到文本的映射是学习到的而非随机的。73% 相似待验证将自回归文本生成与基于扩散的迭代去噪拼接在一起，会引入计算范式上的根本性不对称72% 相似待验证连续扩散语言模型（CDLM）将文本映射到连续嵌入空间执行扩散过程，最后再解码回离散文本，而非直接在离散token上做扩散72% 相似待验证LLaDA-Image采用掩码扩散（Masked Diffusion）机制，将离散掩码语言模型与连续扩散过程相结合72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/843366API
curl https://kongchang.com/api/v1/knowledge/claims/843366MCP
get_claim(id=843366)