离散扩散模型采用自适应引导调度

Hanhan Zhou、Shamik Roy 和 Rashmi Gangadharaiah 提出一种面向离散扩散语言模型的自适应引导调度机制，并根据属性在去噪过程中的形成阶段分配干预强度。论文摘要称，在四个离散扩散语言模型的七项单属性与多属性引导任务中，该机制相较均匀调度和限定区间调度 consistently 改善了控制质量与生成质量的平衡。 其依据是不同属性的形成时间不同：在 MDLM 上，主题属性约在前 2% 去噪过程中确定，而情感属性在约 20% 过程中逐渐显现。作者的理想化分配分析预测，形成越集中的属性越能受益于自适应调度，并在实证中验证了这一预测；目前证据来自论文摘要，未说明真实部署或更大规模验证。

AI 根据报道生成 · 40 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。