生成模型

研究发现生成模型的可调控范围存在“预算”，其中大部分只能通过展示示例而非调节参数来实现，这一发现为AI模型控制提供了新思路。

研究人员提出DiScoFormer模型，通过单一Transformer架构同时学习概率密度和评分函数，实现跨多种分布的灵活建模。

最新研究揭示扩散模型与流匹配模型共享同一数学几何基础——Wasserstein空间，前者遵循自由能梯度流，后者沿最优传输测地线运动。

研究者提出四项核心原则，旨在为概率性生成模型提供确定性封装框架，同时指出当前行业普遍存在的两大反模式，为AI与传统系统安全融合提供理论支撑。

研究人员提出BrainG3N，一种基于全体积掩码自编码器的双用途分词器，既能保留临床信息用于下游任务，又能重建解剖学精确的脑部MRI体积。