标签
该论文研究扩散语言模型智能体之间能否通过压缩的连续隐藏向量进行因果性通信，发现去噪状态的传递能显著影响接收方推理，且单次晚时传递的效果优于多次重复交换。
VLA-Rolling 是一个轻量级推理框架，通过自适应去噪预算复用流匹配 VLA 模型中被丢弃的动作尾部，在 LIBERO、MetaWorld、LIBERO-Plus 和 RoboTwin 2.0 上的 16 组模型-基准组合中，实现了最高 1.48 倍的加速和最高 15.08 个百分点的成功率提升。
CleanRM 使用少量干净反馈，通过最优传输校准逐样本噪声比例，并以噪声校正的代理损失训练奖励模型，在 RLHF 中实现无偏的干净风险估计并超越现有去噪基线。
ForcingBooster 提出一种自适应逐 patch 去噪框架，根据视频块难度动态分配去噪步数，在保持画质的同时将总去噪步数减少约 50%，加速自回归视频扩散模型的生成。
论文提出了 RACE（Reliable Action-Chunk Extension，可靠动作块扩展）框架，通过一个辅助的单步去噪过程预测子技能的切换时机，从而在视觉-语言-动作（VLA）模型中实现可靠的动作块长程执行。在真实机器人上，该方法将因停停走走的执行方式造成的空闲时间降低约 5 倍，同时相较微调基线取得了更高的成功率。
本文发现潜在世界动作模型无法泛化，并提出了Simple-WAM，它通过将未来建模简化为单次前向传递来提高泛化性能，同时保持效率。
Rolling-WAM 引入了一种方法，将去噪过程分布在用于机器人操作的世界动作模型的重规划周期中，在重规划中实现了4.5倍的速度提升，同时保持了竞争性能。
一种名为 'Thinking with Looped Flows' 的新方法，通过局部去噪目标训练循环推理，在循环模型中达到了 ARC-AGI 基准测试的最先进的性能。
本文介绍了Prefix-Denoising Consistency (PDC)，一种用于扩散语言模型的测试时验证方法，通过使用前缀条件再生和多数投票来提高推理任务的性能。
语义推理去噪（SRD）引入了一种算子化的马尔可夫去噪方法，用于纠正语言模型推理轨迹中的语义错误。该方法使用可执行的错误算子和迭代优化，在六个基准测试中均展现出性能提升，并在迁移任务上取得了有竞争力的结果。
本文介绍了 Entropy-Valley，一种用于掩码扩散机器翻译的免训练长度选择器，它使用预测熵来提高充分性，表明长度选择比掩蔽顺序更为重要。
TT-Net为条件生成对抗网络引入了一种量子启发的张量网络去噪模块，能够访问跨通道信息，在不同类型的噪声上，在PSNR和SSIM指标上优于SVD-Net和其他方法。
本文挑战了迭代去噪总能改善基于扩散的时间序列预测的假设，提出了一种全局停止准则和伯努利采样器，以提高准确性和速度。
Introduces Continuous Interaction Diffusion (CID), a diffusion-native model–runtime architecture that integrates tool interaction into iterative denoising, enabling asynchronous external reads while generation continues without waiting for discrete tool calls.
Introduces ZUNA1.1, a 380M-parameter diffusion autoencoder for flexible EEG signal reconstruction, capable of handling variable-length sequences, arbitrary channels, and temporal intervals, while outperforming standard interpolation methods. The model is released open source under the Apache 2.0 license.
介绍了ReDe框架，该框架通过过滤无关和重复步骤来对推理轨迹进行降噪，从而改进大型推理模型中的幻觉检测，在TruthfulQA上达到了高达87.32的AUROC。
本文提出了GAIA，一种面向UWB去噪与工作区域重建的几何感知学习框架，该框架将时序距离建模与潜在锚点布局估计相结合。在真实户外数据上的评估表明，GAIA将距离MSE降低了18.4%，并将多边形IoU相较于基线提高了15.5%，展示了在非视距条件下的有效边界级重建。
本文介绍了 dOPSD，一种面向扩散语言模型的在线策略自蒸馏方法，该方法利用内部去噪轨迹来提升数学推理和代码生成能力。
PhotoQuilt 是一个无需训练的框架，通过结合全局布局构图与潜空间中的独立分块生成，生成高分辨率照片马赛克，克服了扩散模型在平衡局部细节与全局结构上的局限性。
本文提出DIF，一种模型无关的去噪方法，用于冷启动推荐中的隐式反馈去噪。该方法利用内容相似的热门物品生成的伪标签以及不确定性估计，在拥有十亿用户的视频应用中取得了显著改进。