有人把扩散语言模型和 Jev 拼到一起做生成，思路挺新鲜，想追细节的可以去原推文留言问问。
X 用户 Xianbao_QIAN 分享了将扩散语言模型与 Jev 结合的想法。该组合尝试用扩散式的文本生成方式替代传统自回归生成。文中提到可向 @samuel_ys92 进一步了解细节。
Wow combining diffusion LLM + Jev is an interesting idea.
@samuel_ys92 where can I find more details on this?
机器人听不懂"收拾房间"这种模糊话怎么办？这篇论文让 AI 先反问你几个问题，再画图确认，比直接硬干靠谱多了。
不用重新训练模型，靠 OCR 加 LLM 加扩散模型就能把图片里的文字换成译文，翻成中文的场景还能跑赢现有编辑系统，做图像翻译的可以看看这篇。
Krea 的图像模型在 AMD MI355X 上跑出 3.3 秒出图，比原来快 6.9 倍，质量还保住 98.3%，做图像产品的可以看看。
BAAI 和北邮、北大搞的 LLaCO，8B 连续扩散模型，数学代码上干过了 LLaDA-8B 和 Dream-7B，想追扩散语言模型路线的可以看看。
一篇研究论文：Vis-Lens 把 VAE 和扩散模型结合起来，能生成让神经元或脑区“最喜欢”看的图像，比之前的方法更真实，还不用逐图优化。
一篇讲视频编辑模型怎么用 MoE 省算力的论文：56B 参数但每 token 只激活 8B，还开源了框架，做视频生成方向可以看看路由分析。
