如今，Test-Time Scaling（测试时扩展）已成为提升模型推理能力的关键路径。而在这一浪潮中，块扩散语言模型（Block Diffusion Language Models, BDLMs） 凭借其独特的并行解码能力，被视为超越传统自回归（AR）模型推理效率的有力竞争者。然而，现有的 BDLMs 在面对长链推理时，陷入了一个两难的效率 - ...

传统的动态解码往往依赖固定的置信度阈值，这在长链推理中极易导致 “一步错，步步错”。研究团队提出了有界自适应置信度解码（BACD）算法，该算法利用已生成 token 的平均置信度作为信号，动态调整当前的去噪阈值。同时，为了实现效率和效果的兼顾，增加了双重边界保护机制：上限（Upper Bound）负责在模型自信时激进加速，下限（Lower ...

1.多非共识，Test-time Scaling 能否一直大力出奇迹？ Test-time Scaling 有哪些非共识？流行的 Sequential 和 Parallel 路线有何局限？Test-time Scaling 为何需要「Better Search」？「温度」如何影响 Scaling 效果？Test-time Scaling 有哪些「Where」需要改进？... 2. Skills ...

本文由来自香港城市大学、麦吉尔大学（McGill）、蒙特利尔人工智能实验室（MILA）、人大高瓴人工智能学院、Salesforce AI Research、斯坦福大学、UCSB、香港中文大学等机构的多位研究者共同完成。第一作者为来自香港城市大学的博士生张启源和来自蒙特利尔人工 ...