DCGC：用掩码扩散模型做全局纠错

Minhae Oh、Nakyung Lee、Jungwoo Lee 提交论文，提出 DCGC——一个基于掩码扩散模型（MDM）的全局纠错框架。它把上游求解器给出的不完美解答草稿当作辅助上下文，配合任务特定的 SFT 与推理时机制 Dynamic Dual-CFG：该机制分离“仅问题”与“问题-草稿联合”两条分支，并按相对置信度差对草稿条件残差做缩放。 作者称，在数学、代码与知识推理基准上，DCGC 优于标准采样和更简单的 CFG 变体；在无法获得真实失败标签的测试时设置下，它通过纠正低共识的上游输出把全测试集准确率提高，另有结果暗示该方法可迁移到不同的扩散骨干。这些效果均为论文报告，尚待独立验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。