ALoDLM：自适应循环扩散语言模型
用 token 自适应潜在循环为不同难度位置分配计算量。
为什么重要
为扩散语言模型缩小质量差距提供了可复现的计算分配思路。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文提出 ALoDLM，用 token-adaptive latent recurrence 替代扩散语言模型中对所有未知位置统一计算深度的做法。在每个去噪步骤中，模型迭代细化潜在表示，并按 token 难度分配计算；可提交的 token 作为离散上下文反馈，未解决 token 继续保留并细化潜在状态。作者将 token 级计算计划建模为潜变量并推导条件 NELBO，在 1.7B 和 8B 参数规模训练。论文与代码链接已给出。
要点（AI 据原文整理，数字均已与原文核对）
- The authors train ALoDLM at 1.7B and 8B parameter scales.
- Across eleven benchmarks, ALoDLM outperforms all evaluated DLMs and the corresponding AR baselines in average benchmark score at both scales.
- ALoDLM retains fast parallel decoding under optimized inference engines.
