diffusion

本文提出了一种散度核方法，用于联合训练神经随机微分方程的漂移场和扩散场，其损失函数直接依赖于终端密度。在采用时间无关场的高斯混合基准测试中，该方法生成的偏离模态的样本少于基于得分的生成模型。

该论文提出了一种将预训练的栅格扫描自回归图像模型转换为任意顺序生成器的方法，通过未来感知位置嵌入和顺序课程学习，以极低的额外计算开销实现图像补全、外扩和编辑，同时保持与标准AR推理生态的兼容性。

IDM：Intrinsic Distribution Matching 提出让生成器自身同时提供分数监督和分布匹配表示的方法，在保留完整 DMD 校正的基础上，对生成器 EMA 特征的均值和逐坐标标准差添加显式损失。在 2 NFE 预算下，基于 Z-Image 的 IDM 在 LongText-CN 和 LongText-EN 上取得最佳分数。

提出「先知后画」的混合学习范式，用自回归预训练获取语义知识、扩散后训练进行高保真渲染，并建立计算最优扩展律，仅用6,600 H100 GPU小时训出3B文生图模型，在GenEval和DPG-Bench上取得86/87的成绩。

Hy-Nomas是一个8B参数的视频世界模型，通过action-aware因果注意力与结构化字幕，支持多轮自由文本指令和连续相机控制的交互式世界生成，并开源了模型权重、代码与基准。

OSWAM 提出了一种世界动作模型，通过以想象 token 进行初始化并蒸馏未来条件化的特权信息，实现基于扩散的单步动作生成，适用于自动驾驶与具身控制。该方法在 RTX 5090 上实现了约 3 倍的加速和 40ms 的延迟，同时达到了与多步基线相当的性能。

本文提出了维纳信息解码（Wiener-Informed Decoding，WiD），利用从二阶数据统计推导出的解析式维纳滤波风格速度估计器来简化像素空间流模型的训练。该方法在像素解码器中初始化新的通路，并进行联合训练，从而在不同分辨率下提升类别条件生成和文本到图像生成的质量。

论文提出了 Lafa，一个 8B 参数的分块连续流语言模型，仅使用不到 30B tokens 训练，其质量即可匹配甚至超越自回归模型，并通过自推测解码（self-speculative decoding）与分块并行解码实现了 2.54 倍的推理吞吐量。

本文提出了草稿细化语言模型（DRLMs），仅使用一个去噪器和空腔能量分数即可生成完整草稿并迭代细化，在 Countdown、Sudoku-Extreme 和 Maze-Hard 任务上以仅 600 万参数超越了自回归和离散扩散基线方法。

提出了噪声策略优化（NPO），通过在初始噪声空间上学习一个摊销流策略，将少步生成模型与黑盒奖励对齐，无需微调生成器即可在图像、语言和蛋白质结构生成中实现更优的奖励-质量权衡，推理成本比测试时搜索低16至549倍。

推测强制通过将中间的干净估计视为草稿并提前接受词元、跳过不必要的去噪步骤，加速少步自回归视频生成，在 LongLive 上以每词元约 1.7 步达到四步生成器的质量，速度提升超过 1.5 倍。

GroundingPI 与 XPeng、北大、港大合作发布了3个开源模型：4B 基础模型（支持检测、指代、OCR 等多种 grounding 能力）、基于扩散并行解码的快速 grounding 模型 GroundAnything，以及基于自回归 VLM 的高精度 grounding 模型 GroundAnything VLM。

论文提出 Kairos——一个基于字节级别的多模态基础模型，结合 LiZAttention2（双向门控 DeltaNet 线性注意力 + 滑动窗口注意力）、稀疏 MoE 前馈层与多尺度字节编解码器，并在极小规模上进行收敛性验证实验，报告编解码器与注意力变体对损失的影响。

AUGUstus 提出了一种统一生成与理解的自动驾驶视觉-语言-动作（VLA）模型，将基于扩散的动作生成与自回归思维链理解融合于单一模型，在 NAVSIM v1/v2 与 nuScenes 上达到 SOTA，并已在实车上以 12Hz 部署验证。

论文提出 MaRK（Markov-adapted Recurrent Kernels），一种将上下文向量直接映射为冻结 SSM 递归参数有界调制的动态算子条件化框架，用于将预训练 SSM 适配到迭代扩散生成任务，在 111M Hydra 骨干上仅需 6.3–11M 可训练参数，其中 Chebyshev 变体表现最佳。

本文提出 data-space iteration 框架，将少步生成的迭代过程从概率流空间移至数据空间，从而完全移除对流离散化时间表的依赖，并在 ImageNet 256x256 类条件生成上以最小改动集成 DMD，超越了需要手动调参时间表的基线方法。

提出 ME-World，一种多智能体自我中心世界模型，通过在共享 token 序列中联合去噪多个 ego 流，实现细粒度交互下的跨视角一致性、共享环境一致性与状态更新传播，并引入共享世界一致性指标。

一位独立研究者分享了他的本地 AI 世界模型第二部分：一个约 960M 参数的 transformer，使用 diffusion forcing 和文本交叉注意力，在 RTX 5090 上以 30-60 FPS 运行，接受实时 WASD 操作，并支持在生成中途切换文本提示（例如"给沙漠加一个池塘"）。

WorldSonus 是一个交互式视频转音频框架，通过流式因果自回归扩散架构为世界模型带来实时空间声音合成，实时因子（RTF）为 0.41，支持基于分块索引的提示调度以实现流中声音控制，并采用立体声监督来实现空间对齐。

本文提出 MintFlow，一种针对流匹配模型的免训练约束采样框架。该框架通过对中间流状态施加最小的闭式扰动来满足约束条件，相比当前最先进的约束方法，能更好地保持预训练生成分布。