LFRM模型用连续潜空间扩散做推理，小骨干刷新数学与代码评测
论文AI 评分 68/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Xiang Cheng提出LFRM，通过连续潜空间扩散迭代优化生成推理结果。该方案从强自回归教师多层提取紧凑表征，支持异步去噪，并用分级课程学习紧凑提示编码器替代教师推理。结合自条件引导与金解端点补充稀疏奖励，638M参数去噪骨干在GSM8K达63.74% pass@1（64步），MATH500达24.6%；HumanEval与HumanEval+分别达32.85%与30.18%（128步），超越同规模连续扩散基线。
为什么值得看
仅638M参数的扩散模型在推理任务上超越同规模基线，为小模型做复杂推理提供新范式。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。