然而，与 LLM 可解释性研究的蓬勃发展相对，扩散模型内部的语义结构、时间规律以及因果路径仍然像被深深封住的「黑箱」。研究者可以凭直觉优化架 构，但外界无法真正理解扩散模型在生成过程中的「思考方式」。 更棘手的是，已有的可解释性尝试往往伴随着明显的性能下降：特征分解、激活分析、插值扰动……无论采用哪种方法，只要试图将扩散模型拆开来看，生 成质量就会显著劣化。这让「可解释扩散模型」在很长一段时间里被视为不切实际的小众方向。 在这样的背景下，香港中文大学 MMLab 与上海人工智能实验室的研究团队提出了一个不同的观点： 扩散模型作为当今视觉世界最重要的生成器，其内部 机制不应永远处于不可见状态；可解释性也不应该以牺牲生成质量为代价。 过去三年，扩散模型席卷图像生成领域。以 DiT (Diffusion Transformer) 为代表的新一代架构不断刷新图像质量的极限，让模型愈发接近真实世界的视觉 规律。 基于这一理念，他们提出了被 AAAI 2026 接收的 TIDE (Temporal-Aware Sparse Autoencoders) —— 首个真正意义上面向扩散 Transformer 的时序 稀疏自编 ...