ALoDLM：自适应循环扩散语言模型

基于摘要分析。该研究针对扩散语言模型（DLMs）并行生成速度快、但生成质量落后于规模相近自回归（AR）模型的问题，提出 ALoDLM，以 token 自适应潜在递归替代统一计算深度。作者将质量差距归因于计算量与预测难度不匹配：部分未知 token 容易预测，另一些则需要更多计算，而既有 DLMs 在每个去噪步骤中对未知位置采用统一深度。 在每个去噪步骤，ALoDLM 迭代细化潜在表示，并按 token 难度分配计算。已可确定的 token 作为离散上下文反馈，尚未确定的 token 则保留潜在状态，继续通过递归计算细化。为联合学习 token 预测与计算分配，作者将逐 token 的计算调度建模为潜变量，并推导条件负证据下界（NELBO）。具体难度判定、提交规则、递归终止条件及损失实现尚未验证。 作者报告，在 1.7B 与 8B 参数规模、涵盖十一项基准的评估中，ALoDLM 在两种规模下的平均基准分数均超过所有受评估 DLMs 及对应 AR 基线；在优化推理引擎下保留快速并行解码，并在受评估模型中取得较好的质量—效率权衡。摘要未提供基准名称、具体分数、数据划分、推理预算或速度测量条件，不能据此量化提升或外推到其他任务。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 掩码建模中不同时间片或通道的重建难度存在稳定差异，按位置分配递归计算可能减少对容易位置的重复计算。原方法依赖部分可观测的离散 token 序列与迭代去噪；迁移时可考虑复用潜在递归与计算调度，但需改造连续信号预测目标、位置表示及离散提交机制。低信噪比可能使噪声被误判为高难度，被试和通道差异也可能破坏调度泛化，小数据条件下联合学习调度存在不稳定风险。可在固定 EEG 数据划分、相同骨干与总计算预算下，对比统一递归和自适应递归的掩码重建误差及下游解码表现，检验额外计算是否真正改善有效信号恢复。已有相关 EEG 工作尚未检索确认。