毛片AA片公交车上漂亮胸大

电脑版下载

62253
7

毛片AA片公交车上漂亮胸大截图Q8X2R7L1T4J5M9B6W3

内容详情

毛片AA片公交车上漂亮胸大

扩散语言模子（Diffusion LLMs, dLLMs）因支持「恣意顺序天生」和并行解码而备受瞩目。直觉上，突破古板自回归（AR）「从左到右」的约束，理应付与模子更辽阔的解空间，从而在数学、代码等重大使命上解锁更强的推理潜力。

然而，本研究展现了一个反直觉的现实：目今的恣意顺序天生，反而通过「规避不确定性」收窄了模子的推理界线。

基于此，本文提出了一种回归极简的要领——JustGRPO。实验批注，在 RL 阶段让模子自回归天生，并直接用标准的 GRPO 举行训练，即可逾越目今种种针对 dLLM 设计的 RL 算法体现。更主要的是，这种训练方法在提升推理体现的同时，并未牺牲dLLM 引以为傲的并行解码能力。

论文问题：The Flexibility Trap: Why Arbitrary Order Limits Reasoning Potential in Diffusion Language Models论文链接：https://huggingface.co/papers/2601.15165项目主页：https://nzl-thu.github.io/the-flexibility-trap论文代码：https://github.com/LeapLabTHU/JustGRPO

「无邪性陷阱」：

为什么选择多反而考欠好？

为了探讨「无邪性是否等同于推理潜力」，本文引入了 Pass@k 作为焦点权衡指标。该指标量化了在 k 次采样中至少天生一个准确谜底的概率，能够有用反应模子解空间的笼罩广度以及 RL 训练可引发的推理潜力上限（Yue et al., 2025）。

比照实验涵盖了两种主要的解码模式：

恣意顺序（Arbitrary Order）：允许模子凭证置信度动态选择天生顺序，这是扩散语言模子的标准解码方法。AR 顺序（AR Order）：约束模子遵照古板 LLM 从左到右的天生顺序。

实验效果展现了一个值得深思的趋势：虽然恣意顺序在 k=1 时体现尚可，但随着采样次数 k 的增添，AR 顺序的 Pass@k 曲线不但攀升速率更快，且最终抵达的上限显著更高。这批注，在涉及重大推理时，AR 顺序现实上可资助模子笼罩更辽阔的准确解空间。

图：限制 dLLM 使用标准的 AR 顺序，反而比无邪的恣意顺序拥有更高的推理上限。

熵坍塌征象

为何看似受限的 AR 顺序反而更具潜力？这与两种顺序如那里置不确定性有关。

在自回归模式下，模子被迫直面第一个未知 Token；而在恣意顺序模式下，模子则有跳过（bypass）目今不确定 Token、优先填充后续更确定的内容的「特权」。统计显示，被频仍跳过的往往是诸如「Therefore」、「Thus」、「To」等逻辑衔接词（下图左）：

图左：恣意顺序下，模子倾向于跳过不确定token而先填后续token，且这些被跳过的token往往是一些逻辑衔接词；图右：这些逻辑衔接词解码时的entropy显著低于自回归顺序（虚线代表average token entropy）。以上效果为LLaDA-Instruct在MATH-500数据集的效果。

已有事情（Wang et al., 2025）批注，这些逻辑衔接词往往起到通往差别推理路径的功效，且将这些词坚持高熵状态对模子探索富厚的解空间至关主要。而在恣意顺序下，这些衔接词被解码时的熵（Entropy）显著低于自回归顺序（上图右）。

我们将这种征象称为「熵降级」（Entropy Degradation）。形象地说，模子使用了恣意顺序的无邪性举行了一种「局部贪心优化」：它跳过了艰难的推理决议点，试图通过先天生后续上下文来「凑」出逻辑毗连。虽然这在单次天生中可能有用，但却牺牲了对多样化推理路径的有用探索。

图：恣意顺序天生倾向于绕过高熵的逻辑毗连词，导致解空间过早坍缩。

返璞归真：

JustGRPO

既然「恣意顺序」反而可能限制推理路径的探索，本文提出了一种回归极简的要领——JustGRPO。差别于现有 RL 算法，JustGRPO 不再试图用种种近似处置惩罚以显式保存恣意顺序特征，而是选择了一条更为彻底的路径：

在 RL 训练阶段，直接摒弃对恣意顺序的执念，强制扩散语言模子接纳自回归（AR）顺序天生。这样不但坚持了更辽阔的推理路径，同时也让我们得以直接复用成熟的 GRPO 算法举行优化。这种「天生轨迹简直定性」也自然使得强化学习时的信用分派（Credit Assignment）越发清晰，有助于模子更有用地学习鲁棒的联合漫衍。

值得一提的是：「训练时的约束」≠「推理时的退化」

自回归的约束仅保存于训练阶段。它的目的是为了让模子更有用地举行 RL 阶段的探索与信用分派，模子自己的双向注重力机制并未被破损。一旦训练完成，我们依然可以在推理阶段无损地应用并行解码，在享受 AR 训练带来的更优推理体现的同时，保存扩散模子引以为傲的天生速率。

实验效果：

简朴，但极其有用

性能大幅提升

在数学推理和代码天生这两类通用的推理使命上，JustGRPO 均有优异的体现：

数学推理：在 GSM8K 和 MATH-500 上，模子展现了极高的推理上限，准确率最高划分可达 89.8% 和 45.2%，相比之前的最佳要领（SPG）显著提升。

代码天生：在 HumanEval 与 MBPP 数据集上，准确率划分抵达 49.4% 和 52.4%。

表：JustGRPO在多个基准测试中逾越了现有的 dLLM 强化学习要领，基座模子：LLaDA-Instruct。注：LLaDA-1.5使用了大规模私有数据集训练、LLaDOU在训练中引入了特殊�？�，因此未列入比照。

并行能力不但没丢，还更强了

一个可能的担心是：用 AR 方法训练是否会让 dLLM 退化，失去其并行优势？实验效果恰恰相反。使用现成的 training-free 并行采样器（Ben-Hamu et al., 2025），JustGRPO 训练后的模子在并行解码下体现更佳。例如在 MBPP 数据集上，当每步并行解码 5 个 Token 时，JustGRPO 相比基座模子（LLaDA-Instruct）的准确率优势从单步的 10.6% 扩大到了25.5%。

这批注训练后的模子学到了更鲁棒的联合漫衍，使其更能顺应并行采样历程中的近似误差。

图：JustGRPO 训练后的模子在并行解码时体现出更好的速率-精度权衡。

结语：

少即是多

这篇事情挑战了该领域的一个普遍假设，即「必需在 RL 中保存恣意顺序无邪性」。事实证实，通过限制训练时的天生顺序，迫使模子直面逻辑分叉点的高不确定性，反而能更有用地引发 dLLMs 的推理潜能。

JustGRPO以一种极简的方法，实现了推理能力的大幅提升，同时未牺牲扩散模子标记性的推理速率。也希望借此事情启发社区重新审阅「恣意顺序天生」在通用推理使命中的真实价值。