arXiv 提出频率感知重掩码，提升扩散语言模型测试时扩展效果
原文标题：Test-Time Scaling for Diffusion Language Models with Frequency-Aware Remasking
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。
论文将扩散语言模型（DLM）的测试时扩展建模为推理算力与解码策略的自适应分配，提出两阶段方法：先用快速基础采样器解决简单问题，再对难题施加频率感知重掩码，优先提交去噪过程中预测频繁变化的 token 以鼓励探索。在 LLaDA-8B-Instruct 与 Dream-7B-Instruct 上，MATH-500 准确率最高提升 3.73 与 7.33 个百分点。
深读 · 结论先行AI 生成展开看要点与影响 ↓
频率感知重掩码让扩散语言模型测试时扩展更有效，MATH-500最高提升7.33个百分点
- •两阶段：快速基础采样器先解简单题，难题再用频率感知重掩码
- •跟踪每个token在去噪各步预测变化频率，优先提交频繁变化的token以鼓励探索
- •LLaDA-8B-Instruct在MATH-500提升3.73个百分点，Dream-7B-Instruct提升7.33个百分点
- •HumanEval覆盖率最高提升11.39（LLaDA）与10.98（Dream）个百分点
- •基础策略100次采样仍未解的题中，新方法恢复3.75%至18.75%
为什么重要：扩散语言模型的推理算力分配此前依赖瞬时置信度这类局部信号，该结果给出更可靠的难题探索策略。
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。