扩散模型

GroundAnything 将视觉定位重新定义为视觉证据提取，并用双向扩散替代逐 token 的自回归生成。4B 模型在保持定位精度的同时，探索了最高 4.51 倍的推理加速。

SoloQ 面向扩散语言模型提出一种无需校准数据的权重—激活量化方法，并兼顾全序列扩散与块扩散架构。论文显示，在 4-bit 量化和 NVFP4 场景下，该方法能够较好保持模型能力并降低推理资源开销。

MC-Sparse针对扩散Transformer中的稀疏注意力失真问题，拆解了性能下降的三个来源，并提出一种无需训练的元数据缓存方案。在视频和3D生成实验中，它在保持接近全注意力质量的同时，带来明显去噪加速。

一项新工作提出逆蒸馏遗忘框架 IDU，让扩散或流匹配模型在压缩为单步生成器的同时，降低指定训练子集再次生成的概率。该方法不需要保留数据、额外分类器或特征提取器。

ALoDLM 为扩散语言模型引入 token 级自适应循环机制，让已经准备好的 token 提前确定，困难 token 则继续获得额外计算。论文称，该方法在 1.7B 和 8B 规模上同时提升了质量与并行解码效率。

HC-DLM 将离散词元预测与持续更新的连续潜变量结合起来，试图解决扩散语言模型并行解码时依赖关系被切断的问题。论文报告称，该方法在数独、Countdown 和 LM1B 上优于同规模的离散与连续扩散基线。

阿里通义千问开源Qwen-Image-2.1，试图在较小模型规模下兼顾生成质量、推理效率与使用成本。它将文生图、透明图生成和图像编辑整合到同一视觉生成模型中。

一项针对 3B 参数模型的研究显示，将状态空间序列混合器与 block-causal 训练结合，可让扩散语言模型获得精确且恒定大小的缓存。相比注意力缓存，Mamba 在超长上下文下显著降低延迟与显存占用。

LLaDA-Image 将从零训练的 6B 参数扩散 Transformer 与冻结的视觉语言理解模块结合，兼顾图像生成、编辑与文字渲染。其 Turbo 版本通过蒸馏将推理压缩到 2—4 步，并开放模型权重、代码和训练配方。

EditBridge提出一种面向超高分辨率图像编辑的扩散桥框架，不再把低分辨率编辑结果简单交给独立超分辨率模型处理，而是利用原始高清图像补回真实细节。论文称，该方法可在2K分辨率下实现3.6至8.4倍加速，并将4K编辑耗时控制在61秒。

DeepMind 团队在技术报告中介绍了 DiffusionGemma：一个基于 Gemma 4 微调而来的开放权重实验模型，用离散扩散方式并行生成文本。它的核心看点不是参数规模，而是试图把文本生成从“一个 token 接一个 token”推进到“成块迭代细化”。

这篇论文研究了视觉生成中文本条件的经验缩放规律，指出真正起作用的并不只是提示词长度，而是提示中结构化语言的含量。作者进一步用这些规律改进训练数据与提示生成器，使系统在多类图像生成评测中取得更强表现。

这篇论文提出 Explorative Modeling，通过在训练阶段探索多个候选匹配并选择最优项，让生成模型更明确地落到数据分布的不同模式上。作者认为，探索规模可成为参数量和数据量之外的第三条预训练缩放轴。

Adobe 研究团队提出 Chimera，一种面向图像与视频生成的混合视觉扩散骨干网络，试图在长上下文场景中降低全注意力的计算成本。论文还给出 HeteroP 缩放方法，并用类似 Chinchilla 的规律指导模型规模与数据配比。

NVIDIA 相关研究提出 Parallel Decoding Distillation（PDD），试图用更简单、可扩展的轨迹蒸馏方式，让扩散与流匹配模型在少量网络评估下完成高质量生成。

索尼研究团队提出 Spectral Alignment（SPA），试图从频率域校准扩散与流匹配模型在推理过程中的误差累积。该方法只在推理阶段加入轻量引导，号称额外计算开销约 3%–4%。

TBSM提出了一种不同于GAN、扩散模型和自回归分解的生成建模路线：用分布能量诱导样本级运动，并把这种运动转化为一步生成器的直接监督信号。

Mage-Flow 试图证明，图像生成模型的竞争力不只来自参数规模，也来自 tokenizer、主干网络与训练系统的协同设计。它以 4B 规模同时覆盖文生图和指令式图像编辑，并提供 Base、RL 对齐和 4 步 Turbo 版本。

一篇新论文用因果可解释性方法研究文生图 Diffusion Transformer，发现文本模板 token 虽然在编码器输出处几乎不携带具体提示词信息，却会在生成过程中成为维持对象身份的关键语义寄存器。

这篇论文研究扩散语言模型是否会在内部表征去噪进度。作者发现，即使模型没有显式输入时间步，其残差流中仍可解码出类似“扩散时间”的潜在信号。

DiFA 是一个无需重新训练的扩散模型推理框架，试图用前向扩散过程的统计结构来校准反向生成轨迹。它将历史预测视为相关观测，通过时间共识和偏差引导提升生成稳定性与细节保留。