arXiv · cs.AI· Chia-Ming Lee, Shao-Kai Liu, Ming-Ching Chang, Xin Li, Yu-Lun Liu, Chih-Chung Hsu·· 6 小时前
C⁴框架协调扩散语言模型的自适应采样与全局提前退出
Commit Locally, Exit Globally: Coordinating Adaptive Sampling and Early Exit in Diffusion Language Models
arXiv:2607.28166v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Chia-Ming Lee, Shao-Kai Liu, Ming-Ching Chang, Xin Li, Yu-Lun Liu, Chih-Chung Hsu
研究任务与主要进展
C⁴是一种无需训练的扩散语言模型解码框架，通过CVEE自适应决定何时结束生成，并由CCTC加速局部 token 提交。基于论文摘要，作者报告在LLaDA上校准后的同一配置可迁移至12个零样本任务和Dream，无需重新校准，解码步数减少64%—95%，解码循环加速2.6倍—18.6倍，性能接近完整解码。组件分析显示，提前退出主要节省短答案任务的计算，局部加速对推理和代码生成贡献更大。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org