diffusion

VideoMDM利用扩散框架，通过2D重投影损失和3D运动正则化器，从2D姿态中训练3D人体运动先验，在无需3D真实数据的情况下实现了接近3D监督的性能。

Google 发布了 DiffusionGemma，这是一个采用 Apache 2 许可证的开源权重文本生成模型（总参数量 26B，活跃参数量 4B），通过 NVIDIA 的 NIM 云 API 展示了极高的推理速度。

DiffusionGemma 是一个基于 Gemma 4 的 26B MoE 模型，通过扩散模型以256个token的块进行文本生成，每秒可处理超过1000个token，经量化后可在18GB显存内运行，已根据 Apache 2.0 许可发布。

新论文展示了如何通过用单位矩阵近似流去噪过程的雅可比矩阵来优化用于强化学习的流匹配行动者，使训练变得可行。

Google DeepMind 发布了 DiffusionGemma，这是一个 26B 参数的 Mixture-of-Experts 模型，使用离散扩散实现更快的文本生成，支持多模态输入和 256K token 上下文。

一篇解释细胞大小物理限制的文章，重点讨论了表面积与体积比以及扩散限制如何导致细胞变小。

SwiftVR 是一个实时的一步生成式视频修复框架，利用高效注意力机制和轻量级修复感知自编码器，在消费级 GPU 上实现了高帧率。

MaskAlign提出了一种Token子集表征对齐方法，通过减少对完整Token集的依赖，并在扰动下保持稳定对齐，从而改进扩散Transformer训练。

介绍了SelfBootTok，一种自引导标记化方法，它将全局和局部信息分离，使生成器计算量减少约40%，仅用64个标记即实现了1.56的gFID新最先进水平。

本文介绍了Eisbach对数障碍，这是一个从DiT输出空间能量分布的熵中导出的无参数权重，将其应用于Stable Audio 3的LoRA微调时，能够提升音乐多样性与主题发展，而不会导致模式坍缩。

介绍了Discrete-WAM，一种统一的离散潜在视觉-动作世界策略，通过对齐的离散令牌和共享的离散扩散框架，在自动驾驶中实现组合因果推理和反事实推理。

PrismML 发布 Bonsai Image 4B，这是一系列紧凑型图像生成模型，使用 1-bit 和三进制权重，能够在笔记本电脑和 iPhone 等本地设备上实现高质量扩散推理，同时显著减少内存占用。

StressDream通过优化噪声初始化结合语义目标与合理性目标，将基于扩散的想象引导至具有高影响力且合理的结果，从而增强视频世界模型，实现鲁棒的策略评估与改进。

Sakana AI 提出了 DiffusionBlocks，一种通过将前向传播解释为扩散去噪来分块训练神经网络的方法，与传统端到端反向传播相比，显著降低了内存需求。

NAVA 提出了一种原生视听对齐框架，用于联合音频-视频生成，采用 Align-then-Fuse MMDiT 架构，以 6.3B 参数实现了更好的同步性和可控性。

PrismML 发布了 Bonsai Image 4B 模型的二值和三值量化版本，使得文本到图像生成可以仅用 3GB 大小通过 WebGPU 在浏览器中本地运行，采用 Apache-2.0 许可证。

作者详细介绍了尝试在Nvidia 5090 GPU上使用qlora以及来自open-dllm和d3LLM的修改来本地训练Qwen 3.6 27B自回归到扩散模型的过程，在探索单步扩散技术时遇到了显存限制和硬件问题。

本文为超关系知识图谱提出了一项新任务——事实生成，并提出了KREPE，一种基于掩码离散扩散的生成式表示学习方法，该方法统一了链接预测与事实生成，达到了最先进的性能。

提出GARD，一种基于扩散的框架，在前馈三维重建器的特征空间中操作，从退化输入中联合恢复场景几何和高质量图像。

FlowLM 提出了一种流匹配语言模型，通过高效微调从预训练扩散模型衍生而来，能够实现高质量少步文本生成，其效果可与2000步扩散采样相媲美，而训练轮次更少。