https://notdesigned.github.io/2026/02/26/Unified-Latents-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B%E4%B8%8B%E7%9A%84%E7%94%9F%E6%88%90%E4%B8%8E%E7%BC%96%E7%A0%81%E9%85%8D%E5%90%88/
本文介绍 google deepmind 团队提出的 Unified Latents 架构，在扩散模型的架构下统一了生成和表示压缩，并且给出了优雅的信息界。 生成与编码的权衡 在生成模型设定中（详细见此文 ） ，首先我们有一个在高维空间中的分布 [ x\sim \mu,\ p(x):=\mathrm{Law}(\mu) : \mathbb R^n \to [0,\infty) ] 历史上， 变
https://notdesigned.github.io/2026/02/26/Unified-Latents-%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B%E4%B8%8B%E7%9A%84%E7%94%9F%E6%88%90%E4%B8%8E%E7%BC%96%E7%A0%81%E9%85%8D%E5%90%88/
本文介绍 google deepmind 团队提出的 Unified Latents 架构，在扩散模型的架构下统一了生成和表示压缩，并且给出了优雅的信息界。 生成与编码的权衡 在生成模型设定中（详细见此文 ） ，首先我们有一个在高维空间中的分布 [ x\sim \mu,\ p(x):=\mathrm{Law}(\mu) : \mathbb R^n \to [0,\infty) ] 历史上， 变