扩散语言模型可视化实验室
从自回归到扩散 — ICML 2026 杰出论文核心方向,把扩散模型用于文本生成的范式革命以可交互 SVG 呈现。
01
自回归 vs 扩散:文本生成范式对比
自回归模型从左到右逐词生成,扩散模型从噪声中并行去噪生成。点击切换两种范式的生成过程可视化。
AR
自回归 · 顺序生成
左→右 · 不可并行
Diffusion
扩散 · 并行去噪
噪声→清晰 · 可并行
优势
任意顺序 · 全局一致
长文本逻辑不断裂
ICML 2026
两篇杰出论文
扩散语言模型获大奖
02
前向扩散过程
前向扩散逐步向文本嵌入添加高斯噪声,T 步后变为纯噪声。点击启动逐步加噪动画。
03
反向去噪过程
反向去噪从纯噪声出发,逐步恢复清晰文本。点击观看去噪生成完整句子的动画。
04
任意顺序生成
扩散模型支持任意位置同时生成,打破自回归的左到右限制。点击切换不同的生成顺序模式。
05
离散到连续映射
扩散语言模型将离散 token 映射到连续空间进行扩散,再映射回离散 token。点击查看映射过程。
06
联合多模态生成
扩散模型天然支持文本+图像+视频联合生成,统一在连续扩散空间中。点击切换联合生成视图。
07
采样策略对比
不同采样步数和策略影响生成质量与速度。点击对比 DDPM、DDIM、 ancestral 等采样器。
08
性能基准对比
扩散语言模型 vs 自回归模型在质量、速度、长度、一致性等维度的全面基准对比。
质量
扩散 ≥ AR
长文本一致性更优
速度
扩散可并行
少步采样 DDIM 加速
长度
扩散无长度限制
避免 AR 逻辑断裂
ICML
2026 杰出论文
两篇获奖