Обсуждение:Диффузионная модель

Материал из MachineLearning.

Промпт для генерации статьи

Промпт, использованный для генерации статьи «Диффузионная модель» с помощью LLM Claude Sonnet 4:

  Напиши подробную энциклопедическую статью для вики-сайта MachineLearning.ru на тему
  «Диффузионная модель» (Diffusion model) на русском языке.
  
  Требования к статье:
  1. Структура: введение с определением, математическая основа (прямой и обратный процессы,
     DDPM, DDIM), архитектура (U-Net, денойзер), латентная диффузия, управление
     генерацией (текст-условие, класс-условие), применения (текст-в-изображение,
     аудио, видео), сравнение с GAN и VAE.
  2. Формат: wiki-разметка MediaWiki, заголовки через ==, математика через <tex>...</tex>.
  3. Включи минимум 5 внутренних ссылок на другие статьи вики.
  4. Добавь категории: [[Категория:Машинное обучение]], [[Категория:Нейронные сети]],
     [[Категория:Генеративные модели]].
  5. Добавь раздел «Литература» с 4-6 ключевыми источниками.
  6. Включи формулы для прямого процесса (добавление шума), обратного процесса,
     функции потерь (DDPM).
  7. Не добавляй шаблон шаблон well — он будет добавлен отдельно.
  
  Статья должна быть академической, информативной, с правильной вики-разметкой.

-- Emil Petrov

Второй промпт

Первый промпт задавал каркас, но не просил сравнить семейства сэмплеров, объяснить CFG «по делу», отличить U-Net от DiT и дать таблицу против GAN/VAE/flow — то, чего не хватает и новичку для картины мира, и практику для выбора метода. Роль усилена; перегенерация 14 июля 2026.

Модель: Claude Sonnet 4.

Ты профессор генеративного моделирования и популяризатор науки.

Напиши статью MachineLearning.ru «Диффузионная модель». Новичку — аналогия «скульптура из шума»; профи — формулы, сэмплеры, latent diffusion, guidance, сравнение с GAN/VAE/flow.

Обязательная глубина (часто выпадает из обзоров):
1) Прямой процесс q(x_t|x_{t-1}) и closed-form q(x_t|x_0) через ᾱ_t; смысл schedule.
2) Обратный p_θ; ε-параметризация; L_simple DDPM (MSE на шум) и связь с ELBO.
3) Денойзер: U-Net + attention vs DiT (трансформер по латентным патчам).
4) Ускорение: DDIM, DPM-Solver, Consistency Models — что даёт каждый (шаги, детерминизм, дистилляция).
5) Latent Diffusion (Rombach et al.): диффузия в латенте VAE; компромисс качество/compute.
6) Управление: CFG с формулой и смыслом w; ControlNet; inpainting/img2img; связь с промптами.
7) Применения: image/video/audio/molecules/3D (SDS); кратко — диффузионные LM.
8) Таблица сравнения с GAN, VAE, normalizing flow по качеству, стабильности, скорости, likelihood, управляемости.

Формат: MediaWiki, {{TOCright}}, <tex>...</tex>, ссылки на [[Трансформер (модель)]], [[Механизм внимания]],
[[Большая языковая модель]], [[Нейросетевое встраивание]], [[Промпт-инжиниринг]],
[[Обучение с подкреплением из обратной связи человека (RLHF)]],
«См. также», * {{статья|...}} (Sohl-Dickstein, Ho DDPM, Song DDIM, Song SDE, Rombach LDM, CFG, DiT, Consistency), категории.
Тон экспертный, без воды. Не выдумывай бумаги.

После генерации вручную проверены формулы DDPM/CFG, формулировки про DDIM vs DPM vs Consistency, строки сравнительной таблицы и arXiv-ссылки.

— Emil Petrov 14 июля 2026