12:20arXiv cs.LG@Sanghyun Lee, Chunsan Hong, Seungryong Kim, Jonghyun Lee, Jongho Park, Dongmin Park精选本文提出 LoopMDM(Looped Masked Diffusion Model),通过在掩码扩散模型的早期-中间层选择性循环,显著提升训练效率和模型性能。训练时循环层产生深度缩放效果而不增加参数,推理时可变循环次数实现灵活计算缩放。在多个预训练语料上,LoopMDM 匹配同尺寸 MDM 性能但节省高达 3.3 倍训练 FLOPs,在 GSM8K 等推理基准上提升最多 8.5 分,甚至超越更深层非循环模型。注意力分析表明,循环促进了掩码位置间的交互。代码和权重将开源。论文掩码扩散模型Transformer架构训练效率推理缩放开源/仓库推荐理由:做扩散语言模型或高效 Transformer 架构的开发者值得关注——LoopMDM 用简单循环层技巧同时省训练算力、提推理性能,直接可复现。原文