diffusion

§ 01综述

Diffusion 模型是一类通过逐步添加噪声再逆向去噪来生成数据的生成式 AI 方法，近年来在图像、视频、3D 内容乃至定理证明等领域展现出强大能力，成为与自回归模型并列的主流生成范式。

Diffusion 在 3D 与地形生成中的近期进展

InfiniteDiffusion 论文获 SIGGRAPH 2026 接收，提出学习式地形生成器：InfiniteDiffusion 和 Terrain Diffusion 两项工作在单卡 RTX 3090 Ti 上零经费完成，被 SIGGRAPH 2026 录用，展示了 diffusion 模型在程序化地形生成上的可行性。

FLUX3D：扩散对齐稀疏表示实现高保真3D高斯生成：FLUX3D 通过扩散对齐稀疏表示，实现高保真 3D 高斯生成，进一步拓展了 diffusion 在三维内容创建中的应用。

Diffusion Transformer 的评测与效率关注

DiffusionBench：扩散变换器全面评估基准：DiffusionBench 为扩散变换器（DiT）提供全面评估基准，便于社区对比不同架构的生成质量与效率。

Diffusion Gemma 速度4倍提升但事实错误多6倍：Google 推出的 Diffusion Gemma 在生成速度上提升 4 倍，但事实错误率增加了 6 倍，引发了关于 diffusion 模型在文本生成场景中可靠性的讨论。

DiT-Reward：将文生图扩散Transformer转化为奖励模型：DiT-Reward 提出将扩散 Transformer 直接用作奖励模型，用于下游对齐训练，探索了 diffusion 模型作为通用表征的新用途。

当前焦点与观察点

当前 diffusion 模型研究的焦点集中在三个方面：一是向 3D、地形等新模态的扩展，并在有限资源下实现高质量生成；二是对扩散 Transformer 架构的深入评测与效率优化，但速度与准确率的权衡仍是挑战；三是 diffusion 模型开始被应用于奖励建模、定理证明等非传统生成任务，其通用性受到更多关注。与此同时，diffusion 模型在文本生成中的事实性缺陷以及潜在的滥用风险（如 AI 裸化内容研究）也引发了严肃讨论。

§ 02相关报道10 条在档

§ 03邻近话题