揭示扩散概率模型的SNR-t偏差及校正方法
深度2026年5月5日42 分钟阅读
最有趣的发现是扩散模型在训练时SNR与时间步长严格对应，但在推理时这种对应关系被破坏，导致生成质量受损。本文提出的差分校正方法能有效缓解这一问题，适用于所有使用扩散模型的研究者和工程师。
本文编译自 Elucidating the SNR-t Bias of Diffusion Probabilistic Models，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Cognition 的 Devin Desktop、微软的 Rayfin 和 Augment Code 的 Cosmos 在六月初相继发布，分别从团队控制台、企业治理和代理编排三个层面推动编码代理成为团队基础设施。这些工具解决了代理协调、管理和治理问题，但也带来了厂商锁定风险。
深度The New Stack·6月9日·8 分钟
ServiceNow构建了包含HR和IT服务场景的语码转换语音数据集，评测7款ASR系统在WER、语义WER和答案错误率三个维度的表现。结果显示语码转换的“成本”因语言对和模型而异，Whisper V3 Turbo因默认翻译而非转录表现垫底。
深度Hugging Face·6月9日·6 分钟