热点事件持续更新

SpecCTMC：扩散语言模型的精确投机采样

1 篇报道1 个报道来源15 小时前更新

先了解这件事

AI 综述

Siva Rajesh Kasa 提出并验证了 SpecCTMC，一种无需训练、无需独立草稿模型的投机采样器，用于加速掩码扩散语言模型的连续时间马尔可夫链采样。它复用已有模型预测提出连续 token 更新并并行评估中间状态，经精确接受与修正，论文称可保持事件时间、生成顺序与 token 值的联合分布，不引入时间离散化或并行解码的额外分解误差。在 LLaDA-8B-Instruct 和 Dream-v0-Instruct-7B 上跨五个 benchmark，顺序模型评估次数比直接连续时间采样减少 1.73–4.38 倍，同时保持参考采样分布。代码已开源。

AI 根据报道生成 · 2 小时前更新

最新进展11月6日 01:41

SpecCTMC：扩散语言模型连续时间马尔可夫链的精确投机模拟

报道时间线

沿着报道，了解事件的不同侧面。

11月6日

01:41
arXiv · cs.CL
SpecCTMC：扩散语言模型连续时间马尔可夫链的精确投机模拟
SpecCTMC 是一种无需训练、无需独立草稿模型的投机采样器，用于加速扩散语言模型的连续时间精确采样。它复用已有模型预测提出连续 token 更新并并行评估中间状态，经精确接受与修正，证明可保持事件时间、生成顺序与 token 值的联合分布，不引入时间离散化或并行解码的额外分解误差。在 LLaDA-8B-Instruct 和 Dream-v0-Instruct-7B 上跨五个 benchmark，顺序模型评估次数比直接连续时间采样减少 1.73-4.38 倍，同时保持参考采样分布，代码已开源。

本事件热度走势

可比范围当前: 7
可比范围峰值: 711月6日 14:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。