来自英国剑桥大学的研究团队提出了 CytoDiffusion——一种基于扩散模型的血液细胞图像分类方法。它能够忠实建模血细胞形态分布，实现精准分类，同时具备强大的异常检测能力、对分布偏移的抵抗力、可解释性、高数据效率，以及超越临床专家的不确定性量化能力。

LDM（潜在扩散模型）仍然是主流，但高倍压缩导致信息损失。新方法JiT直接预测原始数据，简化模型架构，提升高分辨率生成效果。尽管JiT未显著超越现有SOTA，但降低了计算成本，增强了模型的可迁移性和统一性。

何恺明团队的新论文提出扩散模型应聚焦于去噪，直接预测干净图像而非噪声。新架构JiT（Just image Transformers）设计简化，避免复杂组件，实验表明其在高维空间中表现优越，生成质量高。

清华与快手团队推出的SVG模型在训练效率上提升6200%，生成速度提升3500%。该模型通过构建语义与细节融合的特征空间，解决了VAE的语义纠缠问题，支持多任务通用，生成质量和效率显著优于传统方法。

麻省理工学院李明达教授团队等提出 SCIGEN 几何结构约束集成方法，可适配任意预训练生成式扩散模型，用以整合对称性和几何图案约束，从而生成含特殊限定的目标材料。

摘要...

OpenAI研究员宋飏被Meta聘为MSL研究负责人，曾在扩散模型领域做出重要贡献，并推动模型能力提升。他在清华和斯坦福学习，展现出卓越的科研才能。

细胞形态学研究利用高通量图像分析技术，解析遗传和药物干扰下的细胞变化。MorphDiff模型高效模拟细胞形态，降低实验成本，提高药物研发效率，具有广泛应用前景。

成像质谱（IMS）在生物学中用于可视化生物组织的分子分布。研究者提出结合IMS与光学显微镜的多模态方法，开发基于扩散模型的虚拟染色技术，以提高空间分辨率并简化工作流程。该技术在无标记组织的质谱图像中引入细胞形态对比度，具有重要的临床应用潜力。

华人团队研究表明，扩散语言模型在token数量受限时，其数据潜力超过自回归模型三倍，且未出现性能饱和。该模型通过双向建模和高计算密度提升学习效果，且在过拟合情况下性能仍可能持续提升。

蒙特卡洛树扩散（MCTD）结合了蒙特卡洛树搜索与扩散模型，有效解决了扩散模型在长程推理中的可扩展性问题。在迷宫导航等任务中，MCTD的成功率接近100%。为提高效率，研究团队推出了快速MCTD，使推理速度提升100倍，显著降低计算开销。

PaddleMIX推出Fast-Diffusers工具箱，通过模型蒸馏和推理优化，将推理速度提升超过2倍。FLUX-Lightning模型实现4步快速生成，效果超越现有模型，结合CINN技术，推理时间缩短至1.66秒。未来将继续优化推理效率，推动扩散模型的应用。

飞桨PaddlePaddle推出扩散模型推理加速插件，利用模型蒸馏和推理缓存等技术，将推理速度提升超过2倍，同时保持生成质量。主要方法包括SortBlock、TeaBlockCache和FirstBlock-Taylor，开发者可灵活应用这些插件以优化实时应用。