COFFEE
一种面向离散扩散模型的即插即用引导框架，通过无目标载体与编译后的有限状态模型协同工作，将序列依赖关系与目标解耦，支持硬约束与软目标的统一控制，无需重新训练预训练模型
时间轴 (近 90 天)
COFFEE是一个为离散扩散模型添加序列级目标引导的即插即用框架，无需重新训练预训练模型
COFFEE的关键创新在于将序列依赖关系与目标本身解耦
COFFEE在每一步扩散过程中引入两个部件：无目标载体（target-free carrier）和编译后的有限状态模型（compiled finite-state model）
无目标载体负责吸收去噪器预测的边际token分布并构建覆盖所有未解析token的联合模型
COFFEE通过将两个组件的状态配对（state pairing），把全局偏好传递到局部未解析位置并直接采样出干净的重构结果
COFFEE能统一处理显式硬约束和学习到的软目标两类控制需求
COFFEE在符号、语言和生物三类领域的基准上进行了评估
COFFEE在这些任务上取得了较强的控制效果，并呈现出与任务相关的质量-多样性权衡
COFFEE让序列级目标在推理阶段就参与生成决策，而传统做法只在评估阶段用目标打分筛选
COFFEE带来联合条件化、补全加权引导和基于优化的约束三类新能力
还有 1 条时间轴事件
全部知识事实 (11)
COFFEE是一个为离散扩散模型添加序列级目标引导的即插即用框架，无需重新训练预训练模型
50%待验证COFFEE的关键创新在于将序列依赖关系与目标本身解耦
50%待验证COFFEE在每一步扩散过程中引入两个部件：无目标载体（target-free carrier）和编译后的有限状态模型（compiled finite-state model）
50%待验证无目标载体负责吸收去噪器预测的边际token分布并构建覆盖所有未解析token的联合模型
50%待验证COFFEE通过将两个组件的状态配对（state pairing），把全局偏好传递到局部未解析位置并直接采样出干净的重构结果
50%待验证COFFEE能统一处理显式硬约束和学习到的软目标两类控制需求
50%待验证COFFEE在符号、语言和生物三类领域的基准上进行了评估
50%待验证COFFEE在这些任务上取得了较强的控制效果，并呈现出与任务相关的质量-多样性权衡
50%待验证COFFEE让序列级目标在推理阶段就参与生成决策，而传统做法只在评估阶段用目标打分筛选
50%待验证COFFEE带来联合条件化、补全加权引导和基于优化的约束三类新能力
50%待验证COFFEE是一篇发布在arXiv上的论文
50%