**扩散语言模型去掩蔽策略研究：轨迹收缩与置信度结合实现最优效率**

_What Makes a Good Unmasking Policy? A Controlled Study of Learned Unmasking in Diffusion Language Models_

> 针对扩散语言模型并行生成效率低的问题，研究提出了一种基于轨迹收缩的去掩蔽策略。该策略通过结合置信度与隐藏状态，仅保留符合参考轨迹的承诺，有效平衡了速度与准确率。实验表明，在 LLaDA-8B-Instruct 模型上，该策略仅需约 10% 的函数评估次数减少即可抵消策略开销，显著提升了 GSM8K 等基准测试的吞吐量与准确率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.31576)