DRLM 提出并行草稿精化以解决扩散推理一致性

扩散模型重复去噪无法保证局部 token 更新形成整体更优答案，研究提出 DRLM 利用单一去噪器并行修订并评估候选草稿。 DRLM 采用 6M 参数，在 Countdown-5 和 Sudoku-Extreme 上分别达到 44.4% 和 93.9% 准确率，超越自回归及离散扩散基线。 该方法确立了完整草稿并行精化作为复杂推理中替代反向扩散的有效路径。