热点事件观察中
HC-DLM提出分层连续扩散语言模型
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
2026年10月1日，Hugging Face Daily Papers报道，研究者提出分层连续扩散语言模型（HC-DLM）。该模型将离散 token 生成与连续隐变量轨迹耦合在单一去噪过程中，训练目标由 token 似然的变分下界推导而来。模型以隐变量作为唯一持久生成状态，每步从中读出 token 并反馈作为下一步隐变量更新的脚手架。在 Sudoku、Countdown 和 LM1B 上，同等模型规模下 HC-DLM 在谜题准确率和生成困惑度上均优于离散与连续扩散基线。目前进展为该方法在论文层面公布并给出上述基准结果。
AI 根据报道生成 · 10 小时前更新
最新进展10月1日 08:00
HC-DLM 在 Sudoku、Countdown、LM1B 上优于离散与连续扩散基线。报道时间线
沿着报道，了解事件的不同侧面。
10月1日
- Hugging Face Daily PapersHC-DLM：分层连续扩散语言模型
研究者提出分层连续扩散语言模型（HC-DLM），将离散 token 生成与连续隐变量轨迹耦合在单一去噪过程中，训练目标由 token 似然的变分下界推导而来。该模型以隐变量作为唯一持久生成状态，每步从中读出 token 并反馈作为下一步隐变量更新的脚手架。在 Sudoku、Countdown 和 LM1B 上，同等模型规模下 HC-DLM 在谜题准确率和生成困惑度上均优于离散与连续扩散基线。
本事件热度走势
当前热度 4·可比范围峰值 5（10月2日 11:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。