状态依赖去噪何时保持其目标分布？

基于摘要分析。本文研究扩散语言模型根据当前状态选择揭示、修订或重新掩码 token 时，局部条件更新正确为何仍可能导致最终序列分布偏离目标。作者将其形式化为目标分布输运问题，分别刻画单调生成与可修订生成的分布保持条件，并区分路由误差与块近似误差。 对于单调生成，作者提出：可预测地选择精确单 token 条件分布或联合块条件分布进行更新，可以保持目标分布；若对块内 token 独立并行更新，则只有在所选条件分布可因子分解时才精确。对于可修订生成，作者给出的条件是：由目标可逆核组成的状态依赖混合，恰在其选择器交换子为零时保持目标分布。针对任意正值选择器，作者提出 action-ratio 接受规则，在分量核可逆的前提下恢复不变性，但该规则不消除块内因子分解误差。 作者报告，精确有限系统验证了相关恒等式，在不满足目标保持条件的设置中，总变差偏差最高达到 0.79；这一数值对应有限系统实验，不能视为语言模型上的通用误差幅度。作者还报告，归一化神经语言目标上的实验复现了两类误差的区分；使用冻结 LLaDA 与 Dream 的实验显示，终点分布偏离随修订时域、选择器集中程度及重新掩码宽度增加，而状态无关对照保持匹配。具体评估规模、分布偏离的测量协议、消融及统计信息尚未验证。 本文的主要对象是扩散语言模型的采样分布正确性，而非 EEG/BCI 解码。其理论适用性取决于精确条件分布、分量核可逆性及选择器等假设是否成立；摘要不足以确认这些条件在实际模型中的满足程度。现有材料不支持将其直接视为 BCI 算法改进，相关 EEG 工作尚未检索确认。