智能AI
morning
CaLR：稳健扩散推理的因果潜在修正
2026-09-21
1 阅读
约1分钟阅读
Wei Cai, Jian Zhao, Yuchen Yuan, Xuelong Li
字号:
arXiv:2609.20981v1 公告类型：新 摘要：自回归（AR）模型存在局部贪婪问题，而扩散语言模型（DLM）通常缺乏推理所需的严格因果结构。为了结合对偶的优点并克服缺点，我们提出了因果潜在修正（CaLR），这是一个将推理重新表述为约束潜在优化的框架。通过采用专家模型的因果拓扑矩阵 (CTM) 和隐式微分，CaLR 执行梯度引导的“思想修正”以强制逻辑一致性，从而在并行生成过程中实现中间步骤的动态自我校正。根据经验，CaLR 在复杂基准上实现了 SOTA DLM 性能，超越了强大的 AR 基线，并在数独等约束任务中展示了卓越的鲁棒性。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱