diffusion

由UCLA主导的论文表明，可以仅通过随机探索来学习长期规划：采用条件能量模型估计时间对数密度比，无需动作或奖励标签，仅凭状态、图像和第一人称观测即可实现多尺度的认知地图式导航。

NVIDIA 推出 PixelUMM，一个无需编码器的统一多模态模型，使用单个 decoder-only Transformer（以 Qwen3-8B 为骨干）直接读写原始像素，在图像和视频的理解与生成中移除了 VAEs 和 ViT 编码器。代码和模型检查点已一并发布，并附有针对 patch 伪影和 decoder 头部设计的详细消融实验。

EMA Lightning 是一款轻量、快速的土耳其语文本转语音模型，总参数量仅 860 万（约 34 MB），声称在 Freya-TR-Eval 上取得最低的词错误率（0.92%），优于 ElevenLabs v4 和 Gemini 3.8，支持流式生成，并可在 Apache 2.0 许可下完全离线运行。

UniEvo-VL 提出了一种面向多模态模型的在线自蒸馏训练方案：让同一模型同时充当教师与学生（教师以模型自身生成的批注信息为条件），以提升其图像生成能力，在 GenEval 上的得分从 0.747 提升至 0.808。

SILSA 是一个拓扑感知的 3D 生成框架，用紧凑的滑动窗口切片隐变量和单阶段整流流（rectified-flow）生成取代开销巨大的体素 token，并利用持久图（persistence diagram）和基于 Betti 数的切片级拓扑监督。该方法在提升结构保真度（PSNR 提升 8.7%，Betti 误差降低 9.2%）的同时，将 token 数量削减 70%、显存降低 40.4%、推理时间缩短 58.5%。

GroundAnything 提出一个拥有 40 亿参数的视觉定位基础模型，通过块状去噪协调并行解码与精确定位，在 30 个视觉定位基准上取得同类模型的最新最佳性能（72.42%），并借助自投机解码实现 4.51 倍加速。

UniEvo-VL 提出了一种在线自蒸馏训练方案：同一个多模态模型既作为教师（以其自身享有的特权自评信息为条件），又作为学生，在 GenEval 上将 Qwen-Image-2512 的图像生成能力从 0.747 提升到 0.808，且无需任何外部监督。

论文提出了 Future-Aware Recall（FAR）框架，通过未来感知的预测性监督和自适应多线索打分，使世界模型学会情景记忆的召回机制，并自动决定哪些检索线索（时间、姿态、视觉、音频）值得信赖。

Prism 是一个动态稀疏注意力框架，用于以原生分辨率训练 2K 的视频-音频联合生成模型。它通过时空宏块划分与内容自适应的块形状分配，在实现 2.5 倍训练加速的同时，生成质量超越全注意力模型，由复旦大学与腾讯混元联合发布。

这条推文突出了像 Opus 5.5 和 GPT-6 Sol/Luna 这样的AI模型降价如何通过 Jevons 悖论降低成本并实现更广泛的AI用例，加速经济扩散。

SGLang-Diffusion 与 MiniMax 的 VDN-H3 支持快速、可扩展的视频生成，在 8× B200 GPU 上，仅需 9.0 秒即可生成 14.4 秒的 768p 视频，实现比实时更快的推理。

DiffIE引入了一种基于扩散的开放信息抽取方法，该方法使用随机反向扩散生成多个候选三元组，在CaRB和BenchIE等基准测试中达到最先进的性能。

Viggle-Animate 是一款 AI 模型，仅使用单张重绘帧即可替换视频中的角色，无需复杂的中间表示，即可实现高效准确的动作迁移。

Evoke 是一个交互式世界模型，具有外部持久记忆和重新设计的长时程教师，支持在有界上下文和低延迟下进行开放式视频生成。它在 WBench 上达到了最先进的性能，同时在 VBench-Long 和 VBench-2.0 上保持竞争力。

Anima-2.9B 是一个在 circlestone-labs/Anima 基础上进行微调和层扩展的动漫/插画扩散模型，新增层在 170 万样本上训练，知识截止日期为 2026 年 7 月。目前处于预览阶段，需要使用自定义 ComfyUI 节点。

本文提出了二阶漂移模型（Second-Order Drifting Models），通过引入人工速度变量增强漂移生成模型，在傅里叶空间中实现加速的二阶动力学，从而在保持单步推理的同时缓解谱刚度。该方法在合成分布匹配、序列数据生成和机器人控制上进行了评估，表现出更好的收敛性和有竞争力的性能。

本文研究了在掩码扩散语言模型中，无分类器引导（CFG）在何种情况下真正必要。研究表明，对引导的依赖因提示而异，且通常可以在不损失约束满足能力的前提下移除引导，并由此定义了“承诺视界”（commitment horizon）。

ReRound是一种训练后量化方法，使用条件扩散模型来引导接近中点的权重的舍入，在3位和4位量化下提高小型LLM的准确性，且不引入推理开销。

本文介绍了对抗式弗雷歇距离（AdvFD），它在静态弗雷歇损失的基础上增加了一个可学习的对抗性特征空间，以改进生成器的后训练，并通过真实特征白化来稳定优化过程。

An annotated from-scratch reimplementation of Google's DiffusionGemma, a 26B open-weight state diffusion language model, explaining its architecture, sampling procedure, and design choices.