随机重掩码 R²D 提升掩码扩散模型推理性能
原文标题：Random Remasking Scales Masked Diffusion Inference
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文将掩码扩散模型（MDM）推理重构为干净序列空间上的马尔可夫链，提出纯测试时、免微调、免奖励的 Random Remask-Denoise（R²D）推理方法，并配套轨迹纠错训练 TCT。在困难数独上准确率超 97%、3-SAT 超 99%，在 HumanEval+ 上超过 LLaDA2.1-mini 官方 Q-mode 精度。
- 问题
- 掩码扩散模型解码中引入的错误不可逆，现有理论无法解释迭代纠错为何有效。
- 方法
- 把推理重构为干净序列空间上的重掩码-去噪马尔可夫链，提出免微调免奖励的 R²D 及轨迹纠错训练 TCT。
- 结果
- 困难数独准确率超 97%，3-SAT 超 99%，HumanEval+ 上超过 LLaDA2.1-mini 官方 Q-mode。
- 影响
- 纯测试时即可提升扩散语言模型推理质量，为部署侧提供无需重训的增益手段。
深读 · 结论先行AI 生成展开看要点与影响 ↓
R²D 把掩码扩散模型推理重构为干净序列空间的马尔可夫链，纯测试时纠错，困难数独准确率超 97%。
- •将 MDM 推理形式化为 remask-denoise 核定义的马尔可夫链，用于分析实际去噪轨迹
- •R²D 是纯测试时、免微调、免奖励的方法；配套 TCT 训练让模型接触自身生成轨迹中的错误
- •逻辑任务上呈近似对数线性的测试时扩展：困难数独超 97%、3-SAT 超 99%
- •在 HumanEval+ 上超过 LLaDA2.1-mini 官方 Q-mode 精度，并优于迭代纠错基线
为什么重要：如果测试时算力换精度在扩散语言模型上同样成立，MDM 的推理策略会向「重采样+纠错」倾斜，对做扩散式 LLM 落地的团队影响直接。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。