论文页面 - Flash-BoN：扩散模型推理时缩放的即时草稿生成

来源：https://huggingface.co/papers/2607.04461

摘要

Flash-BoN 通过使用时间步长截断、层跳过和激活代理生成的廉价草稿候选，配合多阶段验证，在固定墙钟预算下提升了文本到图像生成的效率，其表现优于现有方法。

文本到图像生成的推理时缩放已从简单的 Best-of-N (https://huggingface.co/papers?q=Best-of-N) (BoN) 采样发展到引导搜索方法 (https://huggingface.co/papers?q=guided%20search%20methods)，这些方法在中间去噪步骤 (https://huggingface.co/papers?q=denoising%20steps) 验证并引导候选轨迹。这些方法重点关注去噪过程中何时以及以何种频率进行验证，但通常将生成本身的成本视为固定。此外，通过函数评估次数 (https://huggingface.co/papers?q=function%20evaluations) (NFEs) 比较方法的标准实践仅计数去噪前向传播，而忽略了验证器的开销，这可能会扭曲效率排名。我们表明，在墙钟评估 (https://huggingface.co/papers?q=wall-clock%20evaluation) 下，简单的 BoN 已经匹配或超越了几种引导搜索技术，这表明计算资源更适合用于更广泛的探索，而不是重复的中间验证。这激发了 Flash-BoN (https://huggingface.co/papers?q=Flash-BoN) 的提出，它通过结合三种互补的加速旋钮：时间步长截断 (https://huggingface.co/papers?q=timestep%20truncation)、层跳过 (https://huggingface.co/papers?q=layer%20skipping) 和激活代理 (https://huggingface.co/papers?q=activation%20proxies)，将其配置为一个针对每个模型优化的单一配置，从而生成大量廉价的草稿候选。然后，高效的多阶段验证 (https://huggingface.co/papers?q=multi-stage%20verification) 过程识别出最有希望的草稿，并以全质量进行精炼。在三个基准测试和三种模型规模上，Flash-BoN (https://huggingface.co/papers?q=Flash-BoN) 在固定墙钟预算下始终优于所有基线，其增益随着模型规模增大而增长（+8% AUC）。我们进一步表明，我们的策略与现有正交技术（如基于反射的提示优化，+16% AUC）结合良好并改进了它们。这些增益与候选多样性的增加 (https://huggingface.co/papers?q=candidate%20diversity) 相关，这也使得草稿引导选择能够加速 RL 后训练收敛 (https://huggingface.co/papers?q=RL%20post-training%20convergence)。

查看 arXiv 页面 (https://arxiv.org/abs/2607.04461)查看 PDF (https://arxiv.org/pdf/2607.04461)项目页面 (https://flash-bon.github.io/)GitHub3 (https://github.com/flash-bon/flash-bon)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.04461)

在您的智能体中获取此论文：

hf papers read 2607\.04461

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.04461 即可从本页面链接。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.04461 即可从本页面链接。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.04461 即可从本页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从本页面链接。