Diffusion Controller 白盒灰盒之别
先了解这件事
2026年9月30日，Google Research 提出 Diffusion Controller 框架，把图像生成的反向去噪过程重构为连续控制问题：由轻量附加网络在冻结的基座模型上施加引导，以统一并简化 AI 图像生成的控制方式。该框架在 Stable Diffusion v1.4 上以 SFT、RWL、PPO 三种方式评估，并用 HPS-v2 衡量与人类偏好的对齐程度。据报道，其完全解锁版本对基线模型取得 90% 胜率，且无需改动闭源模型的内部权重。10月2日，AGI Hunt 对此作出澄清：该 90% 胜率来自完全解锁的白盒版本（基于 Stable Diffusion v1.4 骨干），灰盒控制器则是另一套独立设定；灰盒版本骨干虽冻结，但需以中间反向过程的均值作为输入，访问权限比典型的 prompt-in/image-out API 大得多。原帖建议评估时应要求报告骨干、控制器变体、可访问信号、奖励与推理成本。
AI 根据报道生成 · 2 小时前更新
事件进展
- 10月2日 20:36 · 1 篇报道Diffusion Controller 白盒胜率澄清AGI Hunt：澄清：Google Diffusion Controller 的 90% 胜率与灰盒设定是两回事
- 9月30日 02:38 · 1 篇报道Diffusion Controller：图像生成控制框架Google Research：Diffusion Controller 如何统一并简化 AI 图像生成
报道时间线
沿着报道，了解事件的不同侧面。
- AGI Hunt澄清：Google Diffusion Controller 的 90% 胜率与灰盒设定是两回事
Google Research 的 Diffusion Controller 被指 90% 胜率来自完全解锁的白盒版本（基于 Stable Diffusion v1.4 骨干），灰盒控制器则是另一套设定。灰盒版本骨干冻结，但需以中间反向过程的均值作为输入，访问权限比典型 prompt-in/image-out API 大得多。原帖建议评估时要求报告标注骨干、控制器变体、可访问信号、奖励与推理成本。
- Google ResearchDiffusion Controller 如何统一并简化 AI 图像生成
Google Research 提出 Diffusion Controller 框架，把图像生成的反向去噪重构为连续控制问题，由轻量附加网络在冻结基座模型上施加引导。该框架在 Stable Diffusion v1.4 上以 SFT、RWL、PPO 三种方式评估，用 HPS-v2 衡量人类偏好对齐。其完全解锁版本对基线模型取得 90% 胜率，且无需改动闭源模型内部权重。
本事件热度走势
当前热度 9·可比范围峰值 10（10月2日 21:00）·近 24 小时可比范围变化 +232%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。