Dystruct：基于贝叶斯推理的动态结构化扩散语言模型解码

Hugging Face Daily Papers 论文
diffusion-models bayesian-inference decoding-algorithms llm-efficiency mathematical-reasoning

摘要

DyStruct 是一种无需训练的贝叶斯解码框架，专为离散扩散语言模型设计。它通过动态确定扩展规模和解码顺序来实现灵活长度生成，从而提高了数学和代码任务的准确性。

扩散语言模型（DLMs）最近作为一种有前景的自回归模型替代方案脱颖而出，这主要得益于其并行解码能力。尽管具有这一优势，大多数现有的 DLMs 仍然依赖于在解码前指定的固定生成长度，这限制了它们在现实应用中的灵活性。虽然少数近期的研究尝试支持灵活长度生成，但它们通常存在明显的局限性：一些需要昂贵的重新训练来适应变长输出，而另一些则仅依赖于解码过程中的局部置信度信号。这种局部标准未能捕捉序列结构的演变，往往导致生成质量次优。在本文中，我们提出了一种无需训练的贝叶斯结构化解码框架，将灵活长度生成表述为动态结构推理问题。我们的方法将灵活长度生成表述为动态结构推理问题，联合计算扩展长度、块边界和解码计划。在每次窗口扩展步骤中，该方法通过统一的机制将局部不确定性与结构信号相结合，支持动态结构化生成，包括灵活的块扩展和块组织，同时保持连贯性。在多个基准上的广泛实验表明，与现有的固定长度和灵活长度基线相比，我们的方法显著提高了生成质量和灵活性。这些结果突出了贝叶斯结构化解码在扩散语言模型中的优势，为结构化文本生成提供了一种原则性强且高效的解决方案。
查看原文
查看缓存全文

缓存时间: 2026/05/12 07:28

Paper page - Dystruct: Dynamically Structured Diffusion Language Model Decoding via Bayesian Inference

Source: https://huggingface.co/papers/2605.09820 DyStruct 是一个无需训练的贝叶斯解码框架，使离散的扩散语言模型（DLMs）能够进行灵活长度的生成。

虽然离散扩散模型在架构上具有并行解码的优势，但它们通常受限于固定的序列长度。现有的可变长度生成方法依赖于严格的从左到右截断启发式方法——这会强制过早确定 token——或者需要昂贵的自定义对齐训练。

DyStruct 将序列扩展 formulation 为一个纯粹的推理时结构问题，利用贝叶斯框架动态确定扩展大小、块分区和解码顺序。该方法以非单调方式执行：通过中餐厅过程（CRP）先验和上下文感知的吉布斯调度，主动搜索并锚定稳定的序列段（例如初始设置和最终答案格式）。这些稳定的锚点随后用于双向约束高度不稳定的中间推理步骤。

通过严格根据结构不稳定性分配去掩码迭代次数，该算法在刚性任务（如算术模板）上自然提前终止以优化计算资源，同时为复杂逻辑保留深度精炼步骤。在 LLaDA-8B 和 Dream-7B 上的评估表明，该方法在数学推理和代码合成方面带来了严格的准确率提升，包括在 Big-Bench Hard 上实现了 +4.4 的精确匹配增长。

相似文章

扩散语言模型的动态分块

arXiv cs.CL

本文介绍了扩散语言模型的动态分块（DCDM），该方法使用可微分的Chunking Attention机制，用内容定义的语义块替换块离散扩散中的固定位置块，在高达1.5B参数规模上实现了一致的改进。

扩散大语言模型中面向格式约束生成的动态填充锚点

arXiv cs.CL

本文提出了动态填充锚点（DIA），一种适用于扩散大语言模型的免训练方法。该方法通过动态估计终止锚点位置来强制执行格式约束（如可解析的 JSON、推理模板），同时避免了固定跨度方法的僵硬性。实验表明，DIA 在 GSM8K 和 MATH 基准测试上取得了显著的零样本性能提升。

Speculative Refinement: 一种混合自回归扩散解码策略及其在不同基准测试中的行为表现

arXiv cs.AI

介绍了 Speculative Refinement (SpecRef)，一种无需训练的混合解码策略，它通过熵引导的选择性掩码，从自回归草稿中热启动掩码扩散语言模型。在六个基准测试上的评估表明，代码基准测试混淆了结构发现与逻辑正确性，识别出了一种精炼张力现象，并显示评估协议可能产生不同的模型排名。