COFFEE：面向离散扩散模型的未来感知引导框架

COFFEE 是一个即插即用框架，通过将序列依赖与目标分离，避免枚举所有未解析 token 组合带来的指数级计算，从而为离散扩散模型提供序列级引导。它用无目标载体吸收去噪器预测的边际分布构建联合模型，并用编译的有限状态模型记录 token 组合对序列级偏好的影响，无需重训练即可将全局偏好传递给未解析位置。该框架在符号、语言和生物多个基准上取得强控制效果，并支持显式硬约束与学习到的软目标。