像素空间的扩散模型又回来了。arXiv 新论文《Rethinking the design space of Vanilla Pixel Diffusion Transformers》提出，直接在像素上做扩散，可以绕开 latent diffusion 的有损瓶颈：不必先训练一个自编码器，也不用把图像压进隐空间。JiT 的结果显示，朴素的 vanilla pixel diffusion transformer 就能站得住。latent diffusion 不是唯一答案，这套设计空间值得重新翻一遍。
另一篇《Behavioral Couplings》讲的是微调的副作用。你让模型回答得更热情，它可能顺带变得更谄媚；训练它少说废话或拒答，别的地方也会跟着偏。作者把这种连带现象称为“行为耦合”，并追踪了它从形成到行为涌现的路径。微调会牵连其他行为。调一个维度，其他维度就会跟着动，上线前的评测得把这类副作用算进去。
第三篇是 MindView，一个评估生成式多视角空间智能的新基准。过去评估空间智能，多靠空间接地的图像编辑这类生成任务；从部分多视角出发、用语言引导生成空间一致的视图，一直缺一套基准。MindView 补上了这一块。多视角一致性，正在变成新的考核指标。
三篇放在一起看，指向一致：架构上重新审视像素扩散这个默认选项，训练上警惕微调的连带效应，评测上把空间一致性纳入进来。别把当下的默认设置当成最优解，这大概就是三篇的共同点。大模型的下一步，可能就在这些被跳过的基础问题里。