研究者提出 Cord 解码策略，显著提升掩码扩散语言模型任务成功率

Chengwei Zhou 等研究者提出 Cord，一种用于掩码扩散语言模型（dLLM）解码顺序的轻量级 prompt 条件策略。该方法以置信度解码为稳定参考，通过几何残差学习何时及如何偏离该参考，每个 rollout 仅采样一个低维系数矩阵即可诱导完整解码轨迹，并以 contextual-bandit 方式直接从序列级奖励训练。 论文报告称，在三个 dLLM 与五个推理、代码及约束满足基准上，Cord 将平均任务成功率从置信度解码的 32.0% 提升至 48.2%。据称该方法仅新增 0.53M 可训练参数，无需额外的骨干前向传播，推理延迟开销仅 5.39%。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。