ALoDLM：自适应循环扩散语言模型
原文标题：ALoDLM: Adaptively Looped Diffusion Language Models
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。
研究者提出 ALoDLM，用 token 自适应潜在循环替代扩散语言模型（DLM）中均匀的计算深度分配，让难预测的 token 获得更多迭代精修。该方法将 token 级计算调度建模为隐变量并推导条件 NELBO 进行联合训练，在 1.7B 与 8B 两个规模上训练。在 11 项基准上，ALoDLM 的平均得分超过所有对比 DLM 及同规模自回归基线，同时保持并行解码速度，取得更优的质量-效率权衡。
- 问题
- 扩散语言模型质量落后同规模自回归模型，因计算深度分配均匀。
- 方法
- 用token自适应潜在循环按难度分配迭代精修，将计算调度建模为隐变量并推导条件NELBO联合训练。
- 结果
- 在1.7B与8B两个规模、11项基准上平均分超过所有对比DLM及同规模AR基线，并保持并行解码速度。
- 影响
- 扩散语言模型首次在质量-效率权衡上同时压过AR基线，值得关注其推理部署潜力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ALoDLM用token自适应潜在循环替代均匀深度，1.7B与8B两规模在11项基准平均分超所有对比DLM及同规模AR基线。
- •指出DLM质量差距源于计算-难度错配：部分未知token易预测，部分需更多计算
- •现有DLM在每个去噪步对所有未知位置施加统一计算深度
- •ALoDLM按token难度分配计算，可提交的token回填为离散上下文
- •未解决的token保留并进一步精修潜在状态，经额外循环传递
- •将token级计算调度建模为隐变量，推导条件NELBO联合训练预测与分配
为什么重要：若并行解码速度得以保持，该结果意味着扩散语言模型有望在质量上追平同规模自回归模型，改变质量-效率权衡的默认选择。
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。