- 资讯公开站rss_arxiv_cs_ai
喝杯咖啡：面向离散扩散的编译目标未来感知引导
Grab a Coffee: Future-Aware Guidance for Discrete Diffusion with Compiled Objectives
离散扩散模型通过并行迭代解析多个 token 来生成序列，为从左到右的生成方式提供了一种灵活替代方案。然而，用序列级目标引导这一过程十分困难，因为某个未解析 token 的价值取决于它能与之组成高奖励序列的其他 token。枚举所有此类补全会使整个引导计算量随未解析位置数量呈指数增长。我们提出 COFFEE，一个即插即用框架，通过将序列依赖与目标分离来避免这种枚举。在每个扩散步骤中，一个无目标载体吸收去噪器预测的边缘 token 分布，…
- 资讯公开站rss_arxiv_cs_ai
蛋白质扩散模型测试时对齐的谱反馈方法
Spectral Feedback for Test-Time Alignment of Protein Diffusion Models
arXiv:2609.30456v1 公告类型：新 摘要：针对离散扩散模型的奖励最大化对齐方法主要聚焦于引导反向过程，或通过影响 token logits，或在中间步骤选择有利序列。这些方法在很大程度上将推理视为单向过程，缺乏重新审视不理想 token 选择的机制。我们提出谱反馈（Spectral Feedback），一种在反馈循环中选择编辑位置的算法，使模型能够迭代修正自身生成结果。该方法利用离散扩散模型的掩码结构，通过重新掩码和重新…