文章總結與翻譯一、主要內容本文聚焦大型語言擴散模型（LLDMs）的解碼順序優(yōu)化問題。LLDMs具備并行推理和可控生成的優(yōu)勢，但解碼順序對推理性能高度敏感，現(xiàn)有啟發(fā)式方法僅關注局部信息而忽略長期影響。為此，作者提出兩種解碼方法：預見解碼方法（FDM）：融合局部置信度（模型對當前token預測的不確定性）和全局置信度（token解碼對未來的影響），通過兩階段搜索策略（先按局部置信度篩選候選token，再結合全局置信度決策）優(yōu)化解碼順序，理論上證明其與自然分布的KL散度更低。加速版預見解碼方法（FDM-A）：基于解碼過程中局部與全局置信度決策的一致性分析，將解碼分為探索、平衡和加速三階段，僅在關鍵步驟（上下文不足或邊界場景）啟用FDM，其余階段通過局部置信度并行解碼，平衡性能與效率。實驗在GSM8K、HumanEval等4個基準數據集和4種LLDM架構上驗證，F(xiàn)DM持續(xù)優(yōu)于啟發(fā)式基線，且搜索寬度越大性能越好（體現(xiàn)推理時縮放特性）；FDM-A在性能損失極小的情況下實現(xiàn)3倍以上加速，顯著優(yōu)于現(xiàn)有動態(tài)解碼方法。二、創(chuàng)新點首次明確LLDMs解碼的局部與全局置信度雙維度，提出融合兩者的解碼框架，突破傳統(tǒng)啟發(fā)式方法僅依賴局部信息的局限。設計FDM的兩階段搜索策略，通過動態(tài)剪枝和Top-K篩選壓縮搜索空間，兼顧優(yōu)化效果與計算可行性，且理論證明其分布擬合優(yōu)勢。提出FDM-A的自適應階段劃分機制，基于置信度反饋動