跳转至

Read this paper write-up in English

Time-Anchored Diffusion Language Models: Latent-Space Caching for Fast Generation

复现级别：L1 核心机制诊断。 执行 stale-anchor 门控修正；未加载 DiffusionGemma-26B。

论文信息

字段 内容
论文链接 arXiv 2609.37924
公司/机构 The University of Texas at Austin（按第一作者署名单位）
首次公开日期 2026-09-29（arXiv v1）
原文开源代码 否：截至 2026-10-01 未找到原作者公开仓库
Adapter tadm
本地复现代码 src/auto_research/foundation_latest_20261001.py

原始论文总结

背景与主要改动

将昂贵 anchor network 的潜表示跨多个反向扩散步缓存，只周期性刷新；小型 fusion module 根据当前状态门控修正陈旧 anchor，再交给轻量 denoiser。

flowchart LR
  I[公开输入/当前状态] --> M[tadm 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图

Time-Anchored Diffusion Language Models: Latent-Space Caching for Fast Generation 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\(\tilde h_{t|t'}=h_{t'}+g_\phi(c_t,h_{t'})\odot\Delta_\phi(c_t,h_{t'})\)。本地实现门控 cache correction。

论文离线与线上效果

DiffusionGemma-26B 后训练版吞吐提高约 49%–79%；预训练版最多减少 38% Transformer 层计算，并比 ADLM 测得吞吐最高提高 73%。

本地复现

本地对照口径：基线为论文机制关闭或默认状态，实验组为开启对应核心算子；本批只验证不变量和状态转换，跨模型相对变化不适用。

三种子诊断见 metrics/mechanism-seeds42-44.json。diagnostic_only=true，只证明核心状态转换、梯度或调度不变量可执行，不能进入正式能力排名。

复现边界

执行 stale-anchor 门控修正；未加载 DiffusionGemma-26B。