一句话看懂：arXiv 新论文 Seq-Drifting 提出用漂移场直接学习从高斯噪声到整段文本的映射，在 LM1B 上单步生成困惑度达到 36.01，探索扩散语言模型能否真正“一次前向出全文”。
事件核心：发生了什么
2026 年 10 月 12 日，arXiv cs.AI 收录了一篇名为《One-Step Text Generation by Seq-Drifting》的新论文。作者提出 Seq-Drifting 框架，核心思路是把“漂移”技术应用到连续 token 表示序列上，直接学习一个从高斯噪声到文本的映射。与现有扩散语言模型（DLM）不同，它不依赖训练序列中每个位置的真实 token 作为固定监督，而是构建一个漂移场：在每个位置上，吸引力把输出拉向一组符合上下文的 token 表示，排斥力则防止样本坍缩和序列内重复。推理时，模型一次性并行生成所有 token。摘要中给出的数据显示，Seq-Drifting 在 LM1B 上单步生成困惑度为 36.01，并在无条件生成、条件生成，以及翻译、摘要和推理任务上做了实验。代码已在 GitHub 开源。
为什么重要
扩散语言模型一直面临一个尴尬：它虽然能并行生成 token，但为了质量往往仍需多步采样，推理成本降不下来。如果单步生成真的可行，意味着文本生成可能像部分图像生成一样，用一次前向传播完成整段输出，这对大模型推理算力、延迟和部署成本都有直接影响。目前公开信息显示，这还只是一篇论文摘要，未经过同行评审，也没有产品化公告，所以不能等同于可用的 API 或上线功能。但它指出的方向——用漂移场替代逐步去噪——值得技术路线观察者留意。
对用户/开发者/创作者的影响
对开发者来说，如果后续有开源实现和稳定复现，单步生成可能降低部署扩散语言模型的推理开销，在边缘设备或高并发 API 场景中更有吸引力。对创作者和普通用户，短期体感不会立刻变化，因为论文距离产品化还有距离；但它提示未来文本生成工具可能在速度与成本上出现新的竞争维度。需要克制的是，摘要没有披露训练算力、模型规模、延迟对比等关键工程数据，目前还无法判断它相对主流自回归大模型的真实效率优势。
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
一是代码仓库是否持续更新，是否提供可复现的预训练模型和推理脚本；二是单步生成在长文本、多轮对话和指令遵循上的实际表现，摘要未展开这部分细节；三是是否有闭源或开源大模型团队跟进这一路线，把“单步文本生成”从论文指标推向工程可用阶段。
来源：arXiv cs.AI
