本研究提出了一种广义化掩蔽扩散方法，克服了语言模型在生成过程中无法修改已生成词汇的局限性。通过结合掩蔽与均匀噪声，显著提高了样本质量，并增强了模型的自我纠错能力。

本研究解决了掩蔽扩散模型中标记解掩顺序对生成质量的影响问题，提出了一种新的路径规划方法（P2），通过使用预训练的BERT模型或去噪器引导解掩决策。研究表明，P2 在多个领域（如语言生成和生物序列生成）中显著提升了性能，具有广泛的应用潜力。

本文介绍了SSD-LM扩散语言模型，采用自条件嵌入扩散机制，提升了文本生成的效率和质量。研究表明，该模型在推断时间上更高效，并能根据指令进行微调，表现优于自回归模型。通过算法改进，成功构建了大规模扩散语言模型Plaid 1B，推动了扩散模型在文本生成中的应用。

本文探讨了一类基于扩散过程的生成模型，提出了DiffusionBERT和Masked-Diffuse LM等新模型，显著提升了文本生成质量。研究还发展了加速算法和优化方法，展示了在自然语言生成和机器翻译中的优越性，并在语言建模基准测试中取得最佳结果。