不完美验证器下的精确目标：连续生成的推理时扩展

基于摘要分析。本文研究连续生成中验证器引导的推理时扩展：中间验证器的误差可能扭曲采样分布，单纯增加细化次数也不保证恢复所需的奖励倾斜分布。作者提出 Continuous-State Verifier-Guided Backtracking（CS-VGB），通过反复去噪与重新加噪，在增加推理计算时兼顾奖励优化与目标分布保持。 核心机制是正确配对去噪和重新加噪转移。作者报告，这种配对使 CS-VGB 在干净样本检查点处的平稳分布等于目标奖励倾斜分布，即使中间验证器不准确也成立；在文中规定的正则条件下，算法向目标分布指数收敛，且到达干净样本所需的期望更新次数仅随检查点数量线性增长。摘要未给出转移配对的具体构造、正则条件及验证器误差的适用范围，因此尚不能判断这些保证在具体模型中的满足程度；平稳分布精确也不意味着有限步采样已经精确。 作者报告，在可解析设置中，CS-VGB 能在存在验证器误差时恢复目标分布，而所比较的验证器采样方法在相同误差条件下未能恢复目标。作者还将框架实例化于 diffusion models 与 one-step stochastic posterior maps，并在提示引导的 ImageNet 生成、CelebA 面部属性生成及多机器人规划中报告：随推理预算增加，循环搜索提高奖励与任务成功表现，图像生成奖励可继续超过仅去噪基线所呈现的平台期。摘要未提供具体数值、数据划分、预算配置或基线名称，实验协议、消融及统计信息尚未验证。 其主要研究对象是连续生成采样，而非 EEG 或 BCI。当前材料未给出神经信号生成的验证器、奖励定义或适用条件，不能据此推断 BCI 效果；已有 EEG 相关工作尚未检索确认。复现时应优先核对配对转移的实现、目标分布可检验性，以及不同方法在相同推理预算与验证器误差下的比较。