H-CDLM：让连续扩散语言模型分层去噪，更少算力生成更好
sedielem · x · 2026-10-19
Mathias Ollu 等人提出 Hierarchical Continuous Diffusion LMs（H-CDLM），让模型同时对 token 和粗粒度语义簇做联合扩散去噪。Sedielem 评价称，DINO 系列方法如今在视觉扩散模型中扮演重要角色、为生成过程注入语义成分，这项工作把同样思路带到了连续扩散语言模型：通过聚类构建粗粒度语义表示，联合扩散分层 token 表示，以更少算力获得更好的生成效果。
「研究」频道最新
- 牛津学者论文：归因控制可同解幻觉、对齐与权力集中等 AI 主要风险 — iamtrask · 2026-10-19
- 斯坦福 Memorilla：16 个记忆 token 胜过全上下文，省 108 倍 token — omarsar0 · 2026-10-19
- 《AI 与意识：怀疑论概览》新书电子版限时免费开放 — eschwitz · 2026-10-19
- 手工精选 40 款游戏做 Agent 基准，作者称其为 ARC-AGI-3.5 — scaling01 · 2026-10-19
- LeCun 论战:分布式表征优于祖母细胞,自80年代已是共识 — burny_tech · 2026-10-19
- 研究员 Aran Nayebi 拆解意识研究论文：数据并未排除稳定意识态 — aran_nayebi · 2026-10-19