DiffusionNFT: RL لنماذج الانتشار عبر العملية الأمامية • الضبط التبايني: الإيجابيات مقابل السلبيات → تحسين السياسة الضمني • يعمل مع أي محلل ، بدون CFG ، لا تخزين مسار • 25× أكثر كفاءة من FlowGRPO • يعزز SD3.5-M: GenEval 0.24 → 0.98 في خطوات 1k (مقابل 5k ل FlowGRPO)

CFG الديناميكي: التوجيه التكيفي لنماذج الانتشار • Static CFG = فشل "مقاس واحد يناسب الجميع" عبر المطالبات • طريقة جديدة: ردود الفعل عبر الإنترنت من المقيمين الكامنين (CLIP ، fidelity ، prefs) → CFG ديناميكي لكل خطوة • فقط + 1٪ من النفقات العامة ، مكاسب كبيرة في المحاذاة والجودة وعرض النص • في Imagen 3: ما يصل إلى 55.5٪ من البشر المقدمين. معدل الفوز

تقدم Apple Manzano: LLM متعدد الوسائط موحد بسيط وقابل للتطوير • رمز الرؤية المختلطة (منفصل مستمر ↔) يقلل من تضارب المهام • SOTA على المعايير الغنية بالنصوص ، تنافسية في الجيل مقابل GPT-4o / Nano Banana • نموذج واحد لكل من الفهم والتوليد • وصفة مشتركة: تدريب مسبق + صقل + SFT • موازين نظيفة (300 م → 30 ب) مع مكاسب ثابتة