CARV：降低扩散教师梯度方差的蒙特卡洛框架

Jesse Bettencourt 等在 NeurIPS 2026 论文（v3 camera-ready）中提出 CARV，一个面向扩散模型教师梯度估计的计算感知方差缩减框架。它把梯度估计视为带不对称成本的两阶段抽样问题，用层级蒙特卡洛估计器复用昂贵的上游计算，并结合时间步重要性采样与分层逆 CDF 采样。 论文称，在不改变目标函数的前提下，CARV 在文本生成 3D 和数据归因任务上带来 2 到 3 倍的有效算力提升；在单步蒸馏中，同样的技术将梯度方差降低一个数量级，但未改善下游 FID。

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。