新研究将大语言模型视为掩码扩散模型，以实现更快的推理速度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-02 04:00

研究人员提出了一种将大语言模型（LLMs）视为掩码扩散模型（MDMs）的新方法来扩展LLMs。这种方法将建模选择与架构差异解耦，从而能够更公平地比较标准的自回归（AR）方法和MDMs。研究表明，仅解码器的MDMs可以实现显著的推理速度提升，大约快25倍，同时保持与AR模型相当的困惑度。这项研究通过将核心建模决策与架构影响分离开来，为开发更具计算效率的基础模型提供了一条潜在途径。 AI

影响提出了一种新的大语言模型（LLMs）的表述方式，可能带来显著的推理速度提升和计算成本降低。

排序理由详细介绍大语言模型（LLMs）新表述方式的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 80 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍大语言模型（LLMs）新表述方式的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Shuchen Xue, Tianyu Xie, Tianyang Hu, Zijin Feng, Jiacheng Sun, Kenji Kawaguchi, Zhenguo Li, Zhi-Ming Ma · 2026-09-02 04:00

Any-Order GPT作为掩码扩散模型：解耦公式与架构

arXiv:2506.19935v2 Announce Type: replace-cross Abstract: Efficiently scaling Large Language Models (LLMs) necessitates exploring alternatives to dominant autoregressive (AR) methods, with Masked Diffusion Models (MDMs) emerging as candidates. However, comparing AR (typically dec…

本文如何被排名

报道来源 [1]

Any-Order GPT作为掩码扩散模型：解耦公式与架构

相关实体

相关话题