Dimple
用离散扩散并行生成文本，让多模态大模型不再逐字挤牙膏
Dimple 是首个离散扩散多模态大语言模型（Discrete Diffusion MLLM），把文本生成从传统的自回归逐词预测改为离散扩散式的并行去噪生成。它要解决的问题是：自回归 MLLM 生成速度受序列长度限制、且难以全局修正早期错误。Dimple 用离散扩散在文本 token 空间上迭代去噪，配合视觉编码器处理图像输入，实现图像理解与文本生成一体化。核心能力包括：支持多模态输入下的并行文本生成、可通过扩散步数控制生成质量与速度的权衡、以及为扩散式 MLLM 提供开源实现与训练推理代码。项目用 Python 实现，属于早期研究型开源模型，适合想探索非自回归多模态生成范式的开发者和研究者参考。
开源
free
开源模型
GitHub 星标
★ 117
维护状态
较活跃
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队yu-rp
所属国家
定价模式free
价格说明开源模型，免费使用，定价信息待确认
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型diffusion-langauge-model,diffusion-multimodal-large-language-model,discrete-diffusion-models,mllm,multimodal-large-language-models
GitHub 星标★ 117
30天Star增速
HF 下载量
上线时间2025-05-19 00:00:00
最近更新2026-08-23 00:00:00
维护状态较活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-09-15
浏览次数0
使用教程
核心亮点
- 首个离散扩散多模态大语言模型的开源实现，填补自回归之外的多模态生成范式空白
- 文本生成采用并行去噪，理论上可突破自回归逐 token 的串行速度瓶颈
- 提供完整 Python 训练与推理代码，便于研究者复现和二次实验
不足之处
- 项目处于早期阶段，星标仅 117，生态与预训练权重成熟度有限
- 离散扩散 MLLM 的生成质量与稳定性相比成熟自回归模型仍待验证
适用场景
- 研究离散扩散与多模态大模型结合的新生成范式
- 在需要并行文本生成、降低推理延迟的实验场景中做原型验证
- 作为教学或论文复现的扩散式 MLLM 代码基线
替代项目
LLaVA、Show-o
项目介绍
下一篇：Index-1.9B
同类项目推荐
awesome-claude-fable-5-prompt-va···
开源
一站式掌握 Claude Fable 5 玩法，快速选型不踩坑
Ultimate Claude Fable 5 Guide 2026: Use Cases, Integrations & Benchmarks
Machine-Learning
开源
跟着博客笔记，边看边跑机器学习代码
All content related to machine learning from my blog
Diffusion-Models-Papers-Survey-T···
开源
学视频生成怕绕路？这份资料库帮你理清
Diffusion model papers, survey, and taxonomy
CoreML-Models
开源
下载即用的苹果端 AI 模型库，免去转换烦恼
Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···