arXiv 论文：预测状态流 PSF 并行语言生成
原文标题：Rethinking the Roles of Diffusion and Decoding: Predictive-State Flows for Parallel Language Generation
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。
论文重新划分连续扩散语言模型中扩散先验与解码器的生成角色，提出 Predictive-State Flows（PSF），让先验生成高层预测状态、解码器并行解析 token。197M 参数模型在 OpenWebText 上以更低算力取得更优生成困惑度与 MAUVE 分数。
- 问题
- 连续扩散语言模型让先验在连续空间捕捉细粒度离散 token，联合分布难建模。
- 方法
- PSF 重新分工：扩散先验只生成高层预测状态，块因果解码器并行解析各块 token。
- 结果
- 197M 模型在 OpenWebText 上生成困惑度 22.8、MAUVE@512 0.93，每 1024 token 仅 0.31 TFLOPs，优于 ELF-B 的 24.0 与 7.2 TFLOPs。
- 影响
- 用更低算力取得更好生成质量，为并行文本生成提供可落地的扩散替代路线。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PSF 把扩散先验改为生成预测状态，197M 模型困惑度 22.8 且算力降至 0.31 TFLOPs
- •论文主张分工：扩散先验只生成高层预测信息，token 级选择交给解码器完成
- •PSF 把序列分块，每块对应一个仅由前文算出的预测状态，扩散从 L 个 token 状态降到 K 个
- •解码器块内自回归、块间并行，token 级串行深度从 L 降到 L/K
- •OpenWebText 无条件生成：197M 参数、K=8 时生成困惑度 22.8、熵 5.16、每 1024 token 仅 0.31 TFLOPs
- •对比 ELF-B 32 步采样：困惑度 24.0、7.2 TFLOPs；MAUVE@512 分别为 0.93 与 0.73
为什么重要：扩散语言模型长期卡在采样步数与算力上，这条用「先验管高层、解码器管细节」的分工把成本压了一个量级，是并行文本生成值得跟进的路线。
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。