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。

本研究提出了一种自条件嵌入扩散模型，能够灵活生成基于令牌的文本。评估结果表明，该模型生成的样本与自回归模型相当，但推断效率更高，为文本扩散模型的扩展奠定了基础。

本研究发现掩蔽扩散模型（MDMs）与时间变量无关，等同于掩蔽模型。首击采样器（FHS）提高了采样速度，揭示了不准确类别采样的数值问题，影响了对MDMs生成结果的评估。