一句话看懂：论文提出“指数残差流”（ERF），为离散扩散模型构造类似连续概率流ODE的确定性采样框架，并称在代码与文本生成基准上优于此前方法；目前属于研究阶段。
事件核心：发生了什么
alphaXiv 收录的论文《An ODE-based Sampler for Discrete Diffusion Models》于 2026 年 10 月 29 日发布。作者为离散状态下的每个 token 位置附加连续“残差”变量，残差按分段 ODE 演化，一旦某个残差归零就触发 token 切换，从而在给定初始 token 与残差后形成确定性轨迹。作者证明该构造在每个固定时刻保持原扩散模型的边际分布，并给出针对 masked 与 uniform 扩散的实用离散化采样器。摘要称，在代码和文本生成等基准上取得相对此前方法的实证提升；需注意论文摘要不等于已上线产品或完整实验报告。
为什么重要
离散扩散用于文本时，反向过程通常逐 token 随机跳转，难以像连续扩散那样靠概率流 ODE 加速。ERF 试图把这种随机性压缩到初始化阶段，使确定性轨迹支持一致性蒸馏和更少网络函数评估（NFE）。作者同时与“Diffusion Duality”的投影方法和基于最优传输的净通量方法作区分，认为后两者仅凭离散状态仍具随机性。若结论成立，这可能为文本离散扩散的推理加速提供一条新路线。
对用户/开发者/创作者的影响
对使用文本生成工具的用户，短期没有直接变化，因为这只是采样方法研究。对开发者而言，值得关注的是同一思路能否与现有离散扩散语言模型结合，减少采样步数并降低推理成本。对内容创作者，若后续出现基于该方法的开源实现，可能影响生成速度与结果一致性，但目前公开信息显示仍以理论证明和小规模基准为主。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是作者是否放出代码与完整实验，覆盖更大规模语言模型；二是 ERF 在真实文本生成任务中的质量与 NFE 权衡是否稳定；三是离散扩散采样器之间的竞争是否推动更多开源推理优化实现。
来源：alphaXiv
