扩散语言模型一直有个尴尬：生成步数固定，简单句子浪费算力，复杂句子又不够用。ALoDLM 试图解决这个问题——让模型自己决定循环多少次。

这篇论文的核心思路是"自适应循环"。模型不再按预设步数走完流程，而是根据当前生成的难度动态调整迭代次数。简单内容少循环，复杂内容多循环。

打开网易新闻 查看精彩图片

为什么循环次数值得关注

扩散模型的生成质量与迭代步数直接相关。步数太少，输出粗糙；步数太多，推理成本飙升。固定步数的做法等于对所有输入一视同仁，但实际文本的复杂度差异巨大。

自适应循环意味着模型在推理过程中能感知"当前够不够好"，从而提前停止或继续优化。这对推理效率的影响是直接的。

论文信息

  • 标题：ALoDLM — Adaptively Looped Diffusion Language Models
  • 论文页面：huggingface.co/papers/2610.04…
  • 发布时间：2026年10月6日

目前该论文在 Hugging Face 上已获得 1,958 次浏览。扩散语言模型赛道近期动作频繁，自适应计算是其中一个被反复提及的方向。