重新思考扩散与解码的作用：用于并行语言生成的 Predictive-State Flows

基于摘要分析。本文研究连续扩散语言模型（DLMs）中扩散先验与解码器的职责划分，提出 Predictive-State Flows（PSF）：先生成高层预测信息，再由解码器完成离散 token 选择，从而减少扩散状态数量与 token 生成的串行深度。主要研究对象是文本生成，而非 EEG 或 BCI。 核心机制：作者认为，将连续潜变量近乎确定性地映射为 token，会迫使扩散先验承担细粒度离散选择，增加联合潜变量分布的建模难度。PSF 将序列划分为 K 个块，每个块的预测状态仅由其之前的上下文计算；rectified-flow 先验生成预测状态序列，随后 block-causal 解码器并行生成各块，仅在块内自回归。按摘要描述，扩散由 L 个 token 级状态缩减为 K≪L 个预测状态，token 级串行深度降为 L/K。具体状态提取、损失函数和训练流程尚未验证。 作者报告：在 OpenWebText 无条件生成评估中，197M 参数、K=8 的模型在 entropy 为 5.16 时达到 generative perplexity 22.8，每篇 1024-token 文档消耗 0.31 TFLOPs；对照 ELF-B 使用 32 个采样步骤，generative perplexity 为 24.0，计算量为 7.2 TFLOPs。对应实测运行点的 MAUVE@512 分别为 0.93 和 0.73。摘要未明确 ELF-B 对应的 entropy，不能据此认定比较严格匹配熵水平。 作者报告的受控比较显示：额外编码自身块内容的 content states，其 generative perplexity 比预测状态高 8–16%；用共享均值替换采样得到的预测状态轨迹，MAUVE@512 降低 0.11。这些结果支持作者关于潜变量职责划分重要性的解释，但完整实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 该机制依赖文本的上下文结构、分块方式及块内自回归生成，不能直接视为 EEG 解码方法。平台推测（待验证）：高层状态与细粒度输出分工可能为神经信号生成提供概念参考，但连续、低信噪比 EEG 中是否存在适用的预测状态、如何处理被试及通道差异，仍需独立评估；已有 EEG 相关工作尚未检索确认。