已验证75% 置信事实精确时间

扩散语言模型采用并行去噪的思路，可以在一次前向过程中同时优化多个位置的输出，再通过多轮迭代逐步收敛到最终文本

3

来源数

75%

置信度

长期有效

时效性

2026/9/23

首次发现

来源

Mercury 2.5扩散语言模型：770 tokens/秒的推理速度突破

涉及实体

扩散语言模型concept

相关事实

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77% 相似待验证扩散语言模型（DLM）通过双向注意力与迭代去噪生成整段文本，控制信息可从序列任意位置介入。77% 相似待验证扩散语言模型借鉴图像扩散模型思路，通过迭代去噪过程并行生成整段文本，与GPT系列自回归生成不同76% 相似待验证Midjourney使用CLIP的文本编码器将提示词转换为条件向量，引导扩散模型的去噪过程75% 相似待验证WordPiece以最大化语言模型似然为目标来决定合并策略75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/945363

API

curl https://kongchang.com/api/v1/knowledge/claims/945363

MCP

get_claim(id=945363)