离散扩散模型提出Committed Reveal Sampling采样方法

2026年10月27日，arXiv（cs.AI）发布论文《From Truncation to Commitment: Persistent Context in Uniform Discrete Diffusion》。Satoshi Hayakawa等人在该论文中提出并分析了一种无需训练的committed reveal sampling（CRS）采样方法。 CRS的核心机制是通过存储并插入选定的argmax token作为持久上下文，从而改变了离散扩散模型中并行更新token的机制。这一创新旨在解决现有方法在处理长序列或复杂生成任务时的局限性问题。 实验结果显示，在8至64次函数评估预算下，CRS的生成困惑度（GenPPL）低于固定p=0.95和p=0.9的top-p基线。此外，随着持久上下文的引入，分布距离SOL也相应降低，证明了该方法在生成质量和分布特性上的优越性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。