生成式AI范式：Transformer+【Diffusion（主流范式）（随机微分方程、加噪&去噪、慢、SOTA）】【Flow Matching（新范式）（常微分方程、插值&ODE求解、快）】

已于 2025-07-29 14:40:22 修改
阅读量82 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： # VLM（声⬌文⬌图⬌视频） 文章标签： transformer 架构 深度学习
于 2025-07-29 02:30:33 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/u013250861/article/details/149733144

一、Diffusion Method vs Flow Matching 全面对比

1. 基本概念对比

方面 Diffusion Models Flow Matching
核心思想 学习逆向去噪过程，从噪声中恢复数据 学习连续时间的向量场，将噪声"流动"到数据
数学基础 随机微分方程 + 变分推断 连续性方程+最优传输理论
路径类型 随机路径（SDE） 确定性路径（ODE）
时间演化 dx=−12βt∇log⁡pt(x)dt+βtdWdx = -\cfrac{1}{2}\beta_t \nabla \log p_t(x) dt + \sqrt{\beta_t} dW
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【Qwen-Image技术报告】兼顾图像生成和文字渲染
kakaZhui的博客
10-02 401
在文生图（Text-to-Image）的“百模大战”中，生成照片般逼真的图像、模仿各种艺术风格似乎已成为标配。然而，当用户提出更具挑战性的要求——比如“在图片中生成一段多行、语义连贯的中文对联”，或者“将图中人物的姿势从坐着改成站着，并保持其衣物和背景不变”——许多顶尖模型便会暴露出它们的短板。和，正是当前图像生成模型面临的两大核心挑战。开源狂魔阿里最近又更新了，通过，旨在打造一个既擅长通用图像生成，又能在文本渲染和图像编辑方面达到SOTA（State-of-the-Art）水平的基础模型。
模式搜索+扩散模型：FlowMo重构图像Token化的技术革命
QQ_778132974的博客
03-22 1449
图像Token化作为现代生成式AI系统的核心技术，长期面临对抗性训练不稳定、潜在空间冗余等挑战。斯坦福大学李飞飞与吴佳俊团队提出的（Flow towards Modes）创新性地融合模式搜索与扩散模型，在多个关键维度突破传统方法局限，为图像压缩与重建开辟新路径。本文将深度解析其技术突破、实现原理及行业影响。
图像生成(AI绘画)的发展史：从DALLE、DALLE 2、DALLE 3到Stable Diffusion、SDXL、SD3(含ControlNet详解)
热门推荐
结构之法 算法之道
06-22 3万+
终于开写本CV多模态系列的核心主题：stable diffusion相关的了，为何执着于想写这个stable diffusion呢，源于三点确实非常非常多的朋友都看过我那篇SVM笔记，影响力巨大，但SVM笔记之后，也还是写了很多新的博客/文章滴，包括但不限于：xgboost、CNN、RNN、LSTM、BERT等今后基本每季度都有更新的计划，欢迎常来关于Stable Diffusion，可以先看下这篇的文章”(此篇文章也是本文的重要参考之一)
【AIGC】深入浅出Score-based model：从零构建基于分数的生成模型
记录成长
06-27 1200
基于分数的生成模型（如扩散模型）通过噪声扰动数据分布，利用分数匹配学习梯度信息，结合朗之万动力学实现高质量样本生成。该框架克服了传统生成模型的"三难困境"，在样本质量、训练稳定性和似然评估间取得平衡。核心理论包含：1)分数函数（数据分布对数概率的梯度）规避了归一化常数难题；2)分数匹配通过等价形式学习真实分布梯度；3)去噪自编码与分数匹配的深刻联系；4)朗之万动力学利用分数函数实现采样。
颠覆影视圈！全球首个开源「无限时长」电影生成模型炸场：昆仑万维把视频生成卷到新时代
AIGCer的博客
04-24 1592
Prompt Adherence（提示词遵循）：现有通用多模态大语言模型（MLLM）难以理解电影语法（如镜头构图、演员表情、摄像机运动），导致生成的视频不符合专业电影风格。Motion Dynamics（运动动态）：现有方法在优化时往往牺牲运动质量以提升视觉质量，导致动态效果不足。Video Duration（视频时长）：现有模型受限于分辨率优化，通常只能生成5-10秒的短视频，难以实现长视频合成。Training Stability（训练稳定性）
FLUX.1-dev模型架构揭秘：Flow Transformer到底强在哪？
weixin_29009401的博客
12-05 801
本文深入解析FLUX.1-dev模型的核心架构Flow Transformer，介绍其基于概率流ODE的生成机制，相比传统扩散模型在效率、提示词理解、多任务集成和可解释性方面的显著优势，并探讨其在文生图、编辑与视觉理解中的统一实现。
Meta、MIT、人大、腾讯、字节、Luma AI、Sand.ai：他们正重新定义多模态 | 智源大会·多模态论坛精彩回顾
BAAIBeijing的博客
06-09 1128
大量实验表明，LLaDA 具有良好的可扩展性，在指令追随任务中，LLaDA 8B 的表现与 LLaMA 3 8B 相当，且相比自回归模型，LLaDA 的训练过程更为一般化，无需微调，支持多种采样方式。总体来说，上半场是追平人类的能力，下半场是要超越人类。但是这些新能力往往很难用传统的评估方法的衡量，这也促使我们重新思考应该怎么评估生成和理解相互促进这个问题的，传统的评估方式可能是不足的。在单一模态中，自回归的语义层级是一致的，比如预测下一个像素、patch、帧等，它们在模型中的“理解距离”是统一的。
HunyuanVideo: A Systematic Framework For Large Video Generative Models
AI浩
12-16 1614
“弥合闭源与开源视频基础模型之间的差距，加速社区探索。” 混元基础模型团队 摘要 视频生成技术的最新进展极大地改变了个人与行业日常生活的面貌。然而，主流的视频生成模型仍为闭源，导致行业与公众社区在视频生成能力上存在显著的性能差异。在本报告中，我们提出了HunyuanVideo，这是一种新型开源视频基础模型，其视频生成性能可与主流闭源模型相媲美，甚至更优。HunyuanVideo具有一个综合框架，整合了多项关键贡献，包括数据整理、先进架构设计、渐进式模型缩放与训练，以及为大规模模型训练和推理设计的高效基础
突破扩散模型瓶颈：AuraFlow如何用流匹配技术实现超写实图像生成
gitblog_02859的博客
12-27 834
你是否还在为Stable Diffusion生成图像时的模糊细节、长迭代时间和高显存占用而困扰？作为开发者，你是否渴望一种既能保持生成质量又能提升效率的文本到图像（Text-to-Image，T2I）解决方案？本文将深入剖析AuraFlow——这款由fal.ai开源的革命性流匹配模型（Flow Matching Model），带你掌握其核心架构、技术优势及工业级部署方案，彻底解决传统扩散模型的三大...
ICLR 2026 重磅前瞻！Rebuttal前时间序列高分论文大盘点（附分类+核心方法解析）
2501_91070801的博客
11-14 1249
ICLR 2026 Rebuttal前结果已正式公布！从评审得分分布来看，主流论文得分集中在 4.0–5.0 区间，4.5 分段以 86 篇达到峰值，整体呈现 “中间集中、两端稀疏” 的典型形态；6.0 以上论文数量明显减少，低于 3.0 的论文占比极小，反映出评审意见趋于理性、分化度有限，也意味着创新性与方法普适性成为论文脱颖而出的关键，而时间序列方向研究竞争依然激烈，7.0 以上高分作品往往在理论创新或应用影响力上具备显著突破。
51c扩散模型~合集4
whaosoft~aiotの开发板商城
05-31 1492
我自己的原文哦~ https://blog.51cto.com/whaosoft/13956122生成性能提升不靠堆参数！基于掩码的扩散模型生成能力增强方法本文提出了一种名为 MaskUNet 的新方法，通过对扩散模型中的 U-Net 参数进行掩蔽，显著提升了图像生成质量。该方法利用时间步和样本依赖的掩蔽策略，动态选择有效的 U-Net 参数，从而提高生成效果，同时保持模型的泛化能力。paper title: Not All Parameters Matter: Masking Diffusion
【读论文】Qwen-Image技术报告解读
kakaZhui的博客
08-23 454
Qwen-Image在多个基准测试上强大的跨领域表现，核心亮点是卓越的文本渲染能力、高度一致的图像编辑性能，这两个点也正是眼下市面上文生图大模型主要的困境。Qwen-Image的训练不仅限于文生图（T2I），而是无缝地在一个共享的潜在空间中整合了**T2I, I2I（图生图）, TI2I（文本+图 -> 图）**三种任务。（Qwen-Image的整体架构图。这种设计使得模型在编辑时，既能理解高级的编辑指令（来自语义特征），又能保留非编辑区域的精确视觉细节（来自重建特征），从而达到二者的完美平衡。
【CAN通信】AUTOSAR架构下TC3xx芯片是如何进行模式切换的
qq_36056498的博客
12-14 113
AUTOSAR架构下TC3xx芯片是如何进行模式切换的
AI智能体：连接大语言模型与现实任务的核心架构解析
集效小北的AI科技资讯分享
12-16 1029
AI智能体展现出了人工智能从被动工具朝着主动协作伙伴转变的关键重要趋势，它凭借把大语言模型的认知能力跟外部工具的行动能力相融合，为处理现实世界的繁杂问题给出了全新的范式
打破技术壁垒：国产架构下大模型训练与微调，让自主 AI 触手可及
最新发布
2508_94172198的博客
12-18 769
摘要： 工信部《人工智能产业高质量发展行动计划》提出2026年国产AI算力渗透率达60%的目标，国产硬件架构（如华为昇腾、海光等）已从技术验证迈向生态协同阶段。通过芯片-框架深度适配、一站式工具链及行业模板，国产算力显著降低开发门槛，提升效率。在训练与微调服务中，国产架构实现高性价比与高稳定性，支持弹性算力与边缘端微调，满足中小企业需求。开发者反馈显示，国产平台在成本、效率及自主可控方面优势明显，助力AI创新普惠化。未来，国产算力生态将持续推动行业AI落地，成为全球AI发展的重要力量。
数据治理项目实战系列6-数据治理架构设计实战，流程 + 工具双架构拆解
大数据、数据仓库、数据治理、数据开发、数据库等相关数据方面经验分享~
12-15 668
摘要： 本文聚焦数据治理实施阶段的数据架构设计，强调架构意识的重要性并提出实用建议。文章指出架构设计应根据项目投入适度规划，避免过度复杂化，建议采用逻辑架构与模块化设计相结合的方式提升可读性。重点介绍了数据治理流程架构（包括概要设计和详细设计）和治理工具架构（涵盖自研平台与开源组件），最终输出治理流程和工具架构文档。关键词包括#大数据 #数据治理 #架构设计等。
GLSL PathTracer 项目全面深度解析：架构、原理与核心技术
llsansun的博客
12-17 1047
本文介绍了GLSLPathTracer这一基于OpenGL着色语言的高性能路径追踪渲染器的核心设计与实现。该系统采用"CPU预处理+GPU并行渲染"的模块化架构，通过两级BVH加速结构、纹理驱动的GPU数据传输、双着色器渲染策略等关键技术，实现了高质量的物理渲染。重点阐述了场景处理与加速结构构建、GPU数据传输优化、着色器系统设计、增量式分块渲染策略等核心模块的实现原理。该系统融合了现代离线渲染理论（如Disney材质模型、多重重要性采样）与GPU并行计算实践，在保证物理准确性的同时，通
LangChain 1.0智能体核心组件全解析：从架构到实战
小程故事多的博客
12-14 965
摘要： LangChain 1.0智能体通过五大核心组件（模型、工具、消息、中间件、记忆系统）实现复杂任务处理。模型作为推理引擎支持静态/动态选择；工具赋予外部交互能力，支持参数校验与上下文感知；消息标准化多模态沟通；中间件提供灵活扩展（如人工审核、调用限制）；记忆系统存储对话状态。该架构结合模块化设计与动态协作，使智能体具备自主推理与迭代求解能力，适用于从基础问答到企业级应用的多样化场景。开发者可通过组合组件快速构建高效、安全的智能系统。
【数据库】PostgreSQL架构与索引深度剖析
weixin_63434398的博客
12-17 930
PostgreSQL架构与索引深度剖析 摘要 PostgreSQL作为功能最强大的开源关系型数据库，以其独特的架构设计和丰富的索引类型脱颖而出。本文深入剖析了PG的核心架构，包括存储结构采用堆表文件组织数据页，与MySQL不同的MVCC实现方式（通过标记删除而非undo log）。重点解析了PG的多种索引类型：B-Link Tree索引提升并发写入性能，GIN倒排索引支持全文搜索和JSONB查询，GiST索引处理地理空间数据，BRIN索引优化时序数据分析。通过对比MySQL架构，展示了PG如何通过单一数据库
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值