扩散模型（diffusion models）持续在多模态生成与语言模型领域演进，近期研究聚焦于架构优化、推理加速以及与强化学习的结合。
在图像生成方面，Stable Diffusion 系列出现品牌调整迹象，有报道称其英文名称可能被 Seedance 2.0 取代（Stable Diffusion 缩写被 Seedance 2.0 取代？），反映了社区对模型命名与演进的关注。同时，Uniform Diffusion Models 被重新审视，提出 Leave-One-Out 去噪器与吸收态重构方法，试图统一不同扩散框架（Uniform Diffusion Models 重访...）。
在语言模型领域，扩散模型的应用取得显著进展。连续潜在扩散语言模型论文发布，探索将扩散过程应用于文本生成（连续潜在扩散语言模型论文发布）。此外，Masked Diffusion Language Models 的效率通过循环层得到提升（LoopMDM：循环层提升掩码扩散语言模型效率与性能），而 FLDD 则提出可学习加噪过程的离散扩散模型，实现少步生成（FLDD：可学习加噪过程的离散扩散模型）。
推理加速方面，Dual-Rate Diffusion 通过交错轻重网络加速扩散模型推理（Dual-Rate Diffusion：交错轻重网络加速扩散模型推理）。同时，针对扩散语言模型的对齐方法出现，无需重训练即可提升速度（Don’t Retrain, Align：训练Diffusion LLM速度提升4倍）。在强化学习融合上，MARBLE 提出多面奖励平衡方法，优化扩散模型的强化学习训练（MARBLE：多面奖励平衡提升扩散模型RL）。
当前焦点：扩散模型正从图像生成向语言模型、多模态及强化学习等方向扩展。核心挑战仍在于如何提升采样效率、降低计算成本，同时保持生成质量。未来值得观察：1）扩散语言模型能否成为主流架构的补充；2）可学习加噪过程等新机制的实际效果；3）与强化学习结合后的控制能力提升。