**谁该主导解码？追踪掩码扩散语言模型集成中的可靠轨迹**

_Who Should Lead Decoding Now? Tracking Reliable Trajectories for Ensembling Masked Diffusion Language Models_

> 掩码扩散语言模型（MDLMs）是一种重要的序列生成范式。随着模型多样性增强，如何集成不同MDLM的知识成为关键问题。本研究发现，成功生成在答案相关位置上展现稳定的置信度动态，而不可靠轨迹可通过注入其他模型的有前景中间状态来修正。基于此，提出TIE（轨迹迭代集成）框架，通过追踪置信度动态，识别当前解码步骤中哪个模型处于更可靠轨迹，并在模型间传递部分去噪序列。由于主导模型在去噪步骤中常发生变化，TIE允许不同模型在生成的不同阶段贡献互补优势。在多种推理任务上的优异表现表明，TIE为少有人探索的MDLM集成问题提供了实用方法。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-16 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.16281)