Los esquemas de convección basados en aprendizaje profundo han atraído una atención significativa por sus notables mejoras en la simulación de la distribución de precipitaciones y la convección tropical en los modelos del sistema terrestre. Sin embargo, estos esquemas tienen dificultades para capturar la naturaleza estocástica de la física de la humedad, lo que puede degradar la simulación de circulaciones a gran escala, medias climáticas y variabilidad. Para abordar este problema, se ha desarrollado un esquema de parametrización estocástica llamado DIFF-MP, basado en un modelo de difusión probabilística. Los datos de resolución de nubes se agrupan en variables de escala resuelta y contribuciones subgrid, que sirven como entradas y salidas condicionales para DIFF-MP. El rendimiento de DIFF-MP se compara con el de redes generativas adversariales y autoencoders variacionales. Los resultados demuestran que DIFF-MP supera consistentemente a estos modelos en términos de error de predicción, ratio de cobertura y correlación de habilidad de dispersión. Además, la desviación estándar, la asimetría y la curtosis de las contribuciones subgrid generadas por DIFF-MP se ajustan más estrechamente a los datos de prueba que las producidas por los otros modelos. Los experimentos de interpretabilidad confirman que la parametrización de la física de la humedad de DIFF-MP es físicamente consistente.