#扩散模型

智谱新出的dQwen3.5系列模型，用混合注意力架构改造自Qwen3.5，在训练效率上比全注意力架构有优势。

这个新模型 DB-SUiT 能把 MRI 转成更接近真实 PET 的图像，对痴呆症诊断更准，比直接用 MRI 好很多。

扩散模型在Sudoku等离散任务表现提升，直接采样+自纠正训练让错误率大幅下降。

MIT 团队打造实体化 AI 艺术装置，通过物理操控电视天线体验扩散模型生成过程，比纯软件交互更直观。

论文解决了退化扩散模型条件化的难题，提出基于因果最优传输的新方法，适用于传统分数函数失效的场景。

DiffSAC用扩散模型优化采样过程，只需评估几十个假设就能达到传统方法数万个假设的效果，大幅提升计算机视觉鲁棒估计效率。

你说的那个MDTI模型，用掩码扩散来做时间序列插值，效果比之前的方法都强，感兴趣的话可以去了解下

老张他们团队发的新研究，用贝叶斯分类看扩散模型适应高维数据，比之前方法效果更好了。

OYS方法用贝叶斯优化调整扩散模型采样，5步就能达到50步的质量，速度提升10倍，还不需额外训练。

这篇论文用扩散模型搞出了能生成可解推箱子的办法，不用求解器，成功率77.4%，失败的大多拆一面墙就能救回来，而且开源可用。

不用跑完整扩散过程，第一次预测噪声就能判断异常，速度快还更准，时序异常检测可以看看这个方法。

推文聊了个反直觉观点：写代码的 LLM 在生成艺术、视频编辑、3D 游戏等创意任务上，可能比扩散模型更强。

elvis@omarsar0原文

这篇用扩散模型估计奖励和转移核，再学Q*，收敛率给得很细，还绕开了RL里常见的完整性假设。

这论文搞了个叫DARTree的采样方法，不用训练就能让模型跑得更快，最多比原来快9倍多，数学和代码任务上都有效。

想省离散扩散采样算力？这篇用UGC度量自动排去掩码节奏，常数个块逼近理论最优误差，给√d维数增益例子。

如果你在做低比特量化，ReRound用扩散模型解决RTN的中点模糊，3/4比特下比RTN更准，还不用校准数据，值得看看。

DynaCrys把空间群和元素组成一起做扩散，两个评测引擎下都是最好成绩，生成还快，搞材料的人可以看看。

这篇论文提出用时间差异做视频生成音频，不用额外网络，效果还超过了对比预训练方法，值得做V2A的人看看。

这篇论文用病理数据预训练模型改进了FID/IS指标，发现比ImageNet特征更贴合下游分割任务，搞病理AI的值得看。

这篇论文给扩散模型加了个奖励寄存器，不用改生成器就能获得稠密奖励，训练比在线 RL 快 33 倍，做生成对齐的可以看看。

这篇论文用分层扩散模型学电网数据分布，生成场景不用后处理就能过AC潮流验证，做电力系统研究可参考。

AtumAI 能自动写数据中心控制策略，你输入一句话它就出方案，论文里三个任务都赢过专家手调基线。

这篇arxiv论文把扩散模型和大语言模型在医学影像里的应用讲得挺清楚，还介绍了基础模型怎么建，适合想了解医疗AI技术路线的人。

这篇论文发现伪随机数的选择会影响扩散模型的生成质量，不是随便什么随机源都行，看看它是怎么测的。

普通Rectified flow可能不收敛到最优传输，c-Rectified flow能保证收敛，d=1,2还有近参数速率。做生成模型可以读。

它把慢吞吞的自回归VLA模型变成并行扩散模型，性能不掉，推理快2.8倍，还能跑自动驾驶多任务。

做 AI 的人都在聊 Transformer 和扩散模型，这条推文一句话点出两者的现实差距，值得一看。

Suhail@Suhail原文

这篇论文用严格的对照实验告诉你：扩散模型在约束求解里什么时候有用、什么时候没用，结果很反直觉——真实系统里随机多起点反而全赢了。做AI for science和优化的人值得看看。