Diffusion language models

最近完整七日的证据

来源提及

2

前七日 5

不同来源

1

前期 1

可比较增长

不可比较

榜单记录

0

采集观测与无发布日期的记录，和有日期的原文提及分别统计。 七日观测：2 · 无日期记录：0

每日趋势 · 最多 90 天

柱形表示有日期的来源提及。最新 UTC 日可能尚未结束。零提及和缺少采集覆盖是不同情况。

虚线标记表示当日无记录，不作为零提及统计。

来源证据

当前展示证据的来源：arXiv 8

1. arXiv · 原文发布 2026年11月2日

   The Generative Gap Between Speculative Drafter and Continuous Diffusion Language Model

   arXiv:2610.40847v1 Announce Type: new Abstract: Continuous diffusion language models (CDLMs) and speculative drafters offer efficient language generation but are typically evaluated differently: CDLMs generate independently through iterative refinement, whereas drafters propose text for target-model verification and correction. We compare their architectures

   查看来源记录 →

2. arXiv · 原文发布 2026年11月2日

   BYOD: Build Your Own DLM - Efficient Autoregressive-to-Diffusion Language Model Conversion

   arXiv:2610.41574v1 Announce Type: new Abstract: Unlike autoregressive (AR) models, diffusion language models (DLMs) permit parallel token updates, flexible generation, and bidirectional attention, but leading systems rely on costly pretraining or full-model fine-tuning. We present Build Your Own DLM (BYOD), a generalizable LoRA-only recipe for parameter-effi

   查看来源记录 →

3. arXiv · 原文发布 2026年10月27日

   DELA: Learning Controllable Edits for Diffusion Language Models

   arXiv:2610.32096v1 Announce Type: new Abstract: Diffusion language models (DLMs) support bidirectional denoising and iterative refinement, but generation remains largely controlled by token-level masking schedules. This leaves draft-level refinement implicit and limits explicit control over when to insert missing content, delete redundant spans, revisit unce

   查看来源记录 →

4. arXiv · 原文发布 2026年10月27日

   TraceQuery: learning what to recompute from full-denoising trajectory in diffusion language models

   arXiv:2610.33008v1 Announce Type: new Abstract: Diffusion large language models (dLLMs) enable flexible generation through iterative masked denoising, but incur substantial inference cost because token representations are repeatedly recomputed across denoising steps. Existing cache-based methods reduce this cost by reusing intermediate results across denoisi

   查看来源记录 →

5. arXiv · 原文发布 2026年10月22日

   Hidden Messages Between Diffusion Language Model Agents: Causal Evidence for Latent Communication

   arXiv:2610.28905v1 Announce Type: new Abstract: Diffusion language models form answers through a sequence of revisable continuous states, but multi-agent systems usually discard those states and make agents communicate only after decoding text. We ask whether one independent diffusion trajectory can pass a compact hidden message into another and, crucially,

   查看来源记录 →

6. arXiv · 原文发布 2026年10月22日

   DiffResearch: Accelerating Deep Research with Diffusion Language Models

   arXiv:2610.28909v1 Announce Type: new Abstract: Deep research systems iteratively plan, gather evidence, synthesize, and revise, making end-to-end latency a key bottleneck for interactive use. Almost all production systems are built on autoregressive (AR) language models and inherit left-to-right decoding in planning and long-form writing. We present DiffRes

   查看来源记录 →

7. arXiv · 原文发布 2026年10月22日

   GRAFT: Restoring the Missing Sampling Interface in Continuous Diffusion Language Models

   arXiv:2610.29136v1 Announce Type: new Abstract: Continuous diffusion language models generate a whole sequence in parallel, never drawing a single word at any intermediate step; only the final step turns embeddings into text. Models such as ELF now report autoregressive-level quality at a fraction of the sampling steps of discrete-token diffusion models, and

   查看来源记录 →

8. arXiv · 原文发布 2026年10月9日

   Plan-and-Patch: Diffusion Language Models for Agentic Planning

   查看来源记录 →

研究优先级 42 / 100

此分数用于排列研究候选，不是搜索量、预测结果或经过验证的商业需求。

• 证据数量

  12.7 / 30

  去重文章或首次观测；重复抓取不加分。

• 发布主体多样性

  8 / 25

  同主体保守归并，转载不增加独立证据。

• 可比变化

  0 / 20

  仅完整且可比的两周参与；零基线不计算百分比。

• 证据时效

  11.3 / 15

  依据最新发布或首次观测，不按重复采集时间刷新。

• 名称明确度

  9.7 / 10

  明确实体链接和技术概念优先于含义不明的缩写。

局限与解读

• 首次观测是采集记录的起点，不能证明词语或产品在全球首次出现。
• 计数仅代表已监测的公开来源，不代表全网热度或搜索需求。
• 本站首次发现时间不等于名称或概念的诞生时间。
• 候选来自公开标题、摘要和实体链接，并非已核实的全文分析。
• 来源多样性采用保守归并；未披露的转载或共同所有权仍可能无法识别。
• 已有概念或常见产品名，仅保留为历史基线，不视为新创造的词。
• 两周均需足够且可比较的采集覆盖，才判断增长。
• 该词的来源构成发生变化，或缺少可比较的基线。
• 当前证据仅来自一个发布主体。