Apple研究揭示扩散模型置信度排序局限

2026年10月2日，Apple Machine Learning Research 发布研究《Limits of Confidence in Diffusion》，从理论上分析扩散模型置信度排序的局限性。研究指出，扩散模型（包括 remasking 与 uniform-state 采样器）的每一步只有在所写入位置在已固定 token 条件下相互独立时，才与训练分布匹配；而任何逐位置分布的乘积都无法匹配存在依赖关系的 token 组。该结论针对上述采样器与条件独立性假设，说明逐位置置信度排序在 token 存在依赖时存在理论局限。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。