深度分析
DiffuSent：非自回歸擴散模型提升 ABSA 多詞抽取效能與速度
隨著細粒度情感分析需求提升，DiffuSent以非自回歸擴散方式將所有ABSA子任務統一為邊界去噪過程，透過高斯噪聲與對比去噪訓練提升多詞三元組抽取精度，在多樣化語料上測試，實驗顯示在七項子任務上平均F1提升2.48點且推理速度最高可達181倍。
擴散模型
速報
強化隨機流映射（SSFMs）突破擴散模型抽樣瓶頸
研究者提出「強化隨機流映射」（Strong Stochastic Flow Maps, SSFMs）框架，直接學習加性噪聲隨機微分方程（SDE）的強解映射，將確定性流映射概念延伸至隨機情境。透過多項式近似布朗運動並證明路徑收斂，SSFMs 可在無需模擬的情況下訓練擴散模型的解映射。
速報
StressDream：導向高衝擊且合理影像的擴散式影片世界模型
研究團隊提出 StressDream，透過優化擴散式影片世界模型的初始噪聲，使想像的未來影像朝向高衝擊但仍合理的結果發展。此方法結合視覺語言模型提供的語意梯度與合理性目標，避免噪聲偏離分佈。實驗以自駕與機械手臂的最先進影片模型驗證，證明可在推論時以文字指定失敗情境，協助更穩健的策略評估與改進，找出可能導致不良結果的動作。
深度分析
結構化擴散合成（CityGen）：利用 HD-map 與城市視覺提示強化自駕跨城泛化
自動駕駛在不同城市間轉移時，常被道路拓樸、建築風格與交通型態差異拖垮。此研究提出CityTransfer-Bench作為地理上分離的跨城評測基準，並以CityGen為核心技術：CityGen採用擴散模型（DiT）在HD-map結構條件下，配合目標城市的視覺提示，生成語義一致的多視角城市場景，實現零標註的城市風格適配。
速報
擴散模型：三種視角解構生成動力學
本書系統梳理擴散模型的核心數學與概念，追溯其起源並說明多種表述如何從共通的時間依賴速度場推導而來。作者把生成過程拆解為：前向把資料逐步汙染成噪聲、以及學習反向將噪聲還原回資料的過程，並從變分觀、分數場觀與流模型三方面互補說明。
速報
ConceptAgent：在黑盒下喚醒被抹除概念，揭露擴散模型語義控制的侷限
擴散模型廣泛用於文字轉圖，但概念抹除常只壓制未徹底移除。研究從去噪軌跡發現抹除破壞早期文字對齊但語義仍沿動態傳播，因模型後期仰賴噪聲狀態而出現繞過機會。提出ConceptAgent：免訓練黑盒多代理，透過替代導引噪聲起始喚醒被抹除概念，實驗證實在無參數與梯度存取下仍能準確可控喚醒。
深度分析
推理端提示投影：以總變差理論在不改動生成器下實現文本到影像擴散模型的安全對齊
文本到影像擴散模型普及後，開放式提示也引發不當生成風險。作者提出推理端的提示投影：用大語言模型產生最小改寫、再以視覺語言模型驗證，選擇性將高風險提示映射到容差控制的安全集合，無需重訓生成器。實驗顯示較模型層對齊能有效降低不當生成率，同時保留良性提示的對齊表現。
深度分析
SPACE：透過交叉注意力稀疏化提升大型擴散模型的概念抹除
面對擴散模型在訓練資料中可能帶入的版權與露骨內容風險，本文提出SPACE，一種在交叉注意力權重上以封閉式迭代更新結合L1稀疏化的概念抹除方法，藉由將概念映射集中到低維重要參數子空間來移除目標概念。實驗指出此法在大型模型上改善抹除效能並大幅減少修改後權重的儲存需求。
深度分析
顯式噪聲估計與 Huber 加權：提升擴散模型在逆問題的魯棒性
研究聚焦以擴散模型處理具離群值的逆問題，論文先以顯式噪聲估計淨化觀測，再以基於Huber損失的逐步重權最小二乘建構魯棒目標，並提出基於梯度下降與共軛梯度的兩種近似求解策略；實驗在多組影像復原任務下顯示出較既有擴散方法更強的抗離群能力。且對噪聲與污染比例具較好適應性。
深度分析
UMEDA：譜門控 Linear Transformer、Diff‑GNO 與子空間差分隱私的多模態圖形聯邦學習
在裝置免穿戴定位場景中，多模態感測帶來異構離散化與分布漂移難題。UMEDA以譜門控線性注意力對齊共享低秩語意，再透過基於核頻譜的擴散圖算子進行生成式聚合，並以子空間投影差分隱私保留主要特徵，顯著改善在異質感測與嚴格隱私下的定位與姿態推估效果。
深度分析
SynerDiff：以內—外層協同在連續批次中解決 UNet 與 VAE 並發瓶頸
AI生成內容服務快速擴張導致擴充時系統吞吐與單件延遲互相矛盾.SynerDiff提出內外層協同策略:在內部以VAE分塊與自適應Skip-CFG削減VAE頻寬競爭與UNet計算負載;在外部以門檻感知排程規劃併發序列並動態回饋調整吞吐門檻.整體實驗在保持影像品質下,達到吞吐提升1.6×且平均與P99延遲大幅下降。
深度分析
擴散模型下的乾淨標籤後門攻擊（CBV）：對視覺語言模型的影響與防禦
研究指出視覺語言模型可被不改標籤的乾淨標籤後門滲透；作者以擴散模型在語義重要區域生成具觸發特徵的自然中毒影像，並結合多模態引導與GradCAM遮罩強化隱匿性與轉移性；實驗顯示攻擊成功率逾八成且維持原有功能，隱匿性優於既有方法且具跨模型可轉移性