Language Control Diffusion：在空间、时间与任务维度上的高效扩展

基于摘要分析。本文研究通用智能体在高维输入、长时程控制及新任务泛化上的扩展难题，提出 Language Control Diffusion（LCD），将语言条件扩散模型用作分层规划器，以支持自然语言指令驱动的长时程控制。 核心思路是利用扩散模型生成连贯长程计划的能力，并通过分层规划应对其在低层细节生成与控制方面的弱点。摘要提出在时间、状态和任务三个维度扩展规划能力，但未说明语言条件的注入方式、规划层级之间的接口、低层控制器实现、训练目标或扩散采样策略，相关机制尚需全文核对。 作者报告，在 CALVIN language benchmark 上，LCD 的多任务成功率优于所比较的 SOTA 方法；相对于其他可比扩散模型，推理速度提升为 3.3–15 倍。摘要未提供具体成功率、基线名称、任务划分、硬件、采样步数或计时口径，因此这些结果仅能在作者所述 CALVIN 比较背景下理解，不能据此判断不同设置下的性能优势。实验协议、消融及统计信息尚未验证。 本文主要研究对象是语言条件控制与通用智能体规划，而非 EEG 解码或 BCI。摘要未提供神经信号建模或脑机闭环验证证据，不能将控制规划收益等同于 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现前需核对分层规划实现、训练数据与任务泛化划分，以及速度比较是否采用一致条件。