为扩散模型引入时序差分学习

用 TD 目标惩罚去噪轨迹的跨步不一致，改善少步采样质量。

推荐理由：把扩散重构为马尔可夫奖励过程，用 TD 目标惩罚去噪轨迹跨步不一致——补上局部去噪目标缺失的跨时一致性，尤其救少步采样。