自迴歸擴散生成市場資料：DDPM 發散，流匹配更穩
用自迴歸擴散生成市場資料時，全連續擴散難以刻畫真實訂單流的尖峰分佈。實習生 Kavish 以 4 年美國股票事件級資料訓練模型，發現 DDPM 在 1000 步餘弦噪聲排程下不穩定，7 個連續目標中 88%–95% 的取值偏離分佈均值 8 個標準差以上，改用流匹配後開箱即可用。模型用因果掩碼 Transformer 編碼事件，事件型別頭判斷交易或 BBO 更新，價格、時間間隔等連續特徵由擴散頭生成。
給出了自迴歸擴散合成訂單簿事件的具體失敗模式與量化證據：DDPM 數值發散、流匹配開箱可用，對研究生成模型與市場資料建模的人有參考價值。
原標題：Can you use autoregressive diffusion to generate market data?
閱讀原文
| 評分 | 63 / 65（平均 64，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
研究指離散擴散模型單步生成依賴條件獨立假設
一項研究分析了離散擴散模型（含 remasking 與 uniform-state 取樣器）的單步生成機制，指出一步生成只有在所寫位置在已固定 token 條件下相互獨立時，才與訓練分佈匹配。研究證明，任何逐位置分佈的乘積都無法匹配存在依賴關係的 token 組，而畫素、音素、詞等常見領域中的 token 本身存在固有依賴。
NTM 提出：少步擴散每步用條件歸一化流，保留精確似然
論文提出 Normalizing Trajectory Models（NTM），把擴散模型的每個反向步建模為表達力強的條件歸一化流，並支援精確似然訓練。擴散取樣通常依賴大量細小的高斯去噪步，壓縮到少數粗粒度轉移時該假設不再成立；此前的少步方法用蒸餾、一致性訓練或對抗目標解決，但都放棄了似然框架。架構上，NTM 在每步內組合淺層可逆塊與深層並行結構。
清華提出樣本分佈訓練，一步生圖 SOTA、8 卡訓 14B 影片模型
清華大學等機構提出「樣本分佈訓練」，用一批生成樣本與參考樣本的整體分佈差異提供監督，取代逐樣本的參考答案，把生成壓縮到一步或少數幾步。MGFlow 在 ImageNet 256×256 上把 pMF-H、JiT-H 的單步 FDr⁶ 降至 1.45、1.64，較 FD-Loss 降低約 23% 和 38%；後訓練 FLUX.2 [klein] 4B 一步文生圖，GenEval 從四步的 0.794 升至 0.900。
Oscilloscope Diffusion 發布，可對現有影片做擴散重繪
Oscilloscope Diffusion 是一種通過擴散模型干預現有影片的新方法，以影片的運動與形態為起點，重新詮釋其紋理、材質與視覺語言。該工具由作者圍繞其在 TouchDesigner 中製作的音訊反應幾何系統開發，演示素材來自其 Oscilloscopes, everywhere 合集（已更新至 v1.2），也可輸入任意影片源。使用者可選擇源影片、描述處理方式，並通過提示詞、精選 LoRA 與可編輯時間線控制結果與原始影片的貼合程度。
UniEvo-VL：多模態模型自蒸餾自我進化訓練配方
arXiv 上提交的 UniEvo-VL 提出一種 on-policy 自蒸餾訓練方法：讓同一個多模態模型分別以學生和教師身份出現，學生只看原始問題，教師額外看到自我批評作為特權資訊，訓練目標是縮小兩者在取樣軌跡上去噪擴散分佈的差異，無需依賴更大的外部教師模型。基於開源 Qwen-image-2512，GenEval 從 0.747 升至 0.808，GenEval2 Soft-TIFA 從 32.97 升至 35.53。