轉自 量子位

何愷明，也下場做語言模型了。

只不過，這次他帶隊做的不是大家熟悉的、像ChatGPT背后那套“預測下一個詞元”（next token prediction）的自回歸范式。

而是另一條過去幾年在圖像領域大火、如今正被越來越多人搬進文本生成的新路線：擴散語言模型（Diffusion Language Model，DLM）。

在最新的論文中，何愷明團隊放出全新連續擴散語言模型：ELF：Embedded Language Flows。

與不少還停留在token層面做擴散的語言模型不同，ELF把整個生成過程都留在了連續的embedding空間里，直到最后一步，才重新離散化，將表示變回token。

靠著這套設計，ELF只用了105M參數、45B訓練token、32步采樣，就正面跑贏了一批主流擴散語言模型。

最直觀的一項指標是它在OpenWebText上，把生成困惑度（Generative Perplexity）直接壓到了24。

這里簡單科普一下生成困惑度，它本質上是讓一個強大的語言模型，給生成結果“檢查作業”，看看這些文本到底像不像真實人類寫出來的語料——

值越低，說明生成質量越高、模型出來的東西也就越沒AI味兒，越自然。

在和主流擴散語言模型的對比中，ELF在訓練token少近10倍、采樣步數更少的情況下，反而拿到了更低的生成困惑度。

可以說，在過去很長一段時間里，擴散語言模型的進展，幾乎都發生在離散DLM（Discrete DLM）這一側。

而ELF第一次證明了一件事：連續的方法，不但能跑，而且效果不錯。

ELF到底做了什么

要理解ELF，先得理解擴散語言模型現在到底在做什么。

擴散語言模型，主要有兩種技術路線。一是以MDLM、Duo為代表的離散派，直接在token空間做擴散，每一步處理的是離散隨機變量。

二是包括Diffusion-LM、CDCD、DiffuSeq在內的連續派，把token映成連續embedding，在連續空間里去噪。

此前的研究中，像MDLM、LLaDA、Dream 7B這些離散路線占據了上風。原因是很簡單，因為語言本身就是離散的。

對于這一看似常識的理解，愷明團隊給出的判斷恰恰相反——

問題可能不是“語言必須離散”，問題可能是：前人根本沒有讓連續路線，連續到底。

Diffusion-LM這一類的方法雖然在embedding空間去噪，但每一步都要算一次token-level的交叉熵，把連續軌跡一路綁在詞表上。

后來的LD4LG、Cosmos走latent diffusion路線，去噪過程是連續了，但要單獨訓一個decoder把latent解回token，相當于多一個模塊。

基于此，ELF把所有denoising，全留在continuous embedding space；直到最后一步 t=1，才重新投回token。

具體來說，ELF在訓練時，離散token先被編碼成連續embedding，再加噪成 z_t，模型要么負責把它還原成干凈embedding（MSE），要么直接預測token（CE）。

推理時，模型從高斯噪聲 z_0 出發，一路在連續空間里去噪，直到最后一步，才切到decode模式，把embedding重新投回token。

ELF第一次把“連續表示”和“離散輸出”這兩個過去總被認為必須反復對齊的問題，徹底拆開了：

中間的去噪，完全交給連續空間；最終的語言生成，只留到最后一步離散化。

沒有每一步都往詞表上硬對齊，也不需要額外訓練一個decoder，整個生成流程第一次真正做到了：

連續就是連續，離散就是離散。

而這，恰恰也是ELF后面能用更少采樣步數、更少訓練token，卻跑贏一眾擴散語言模型的關鍵。

ELF不是“先擴散，再解碼”。

在具體的實現上，ELF還解決了三個問題：

token怎么變連續？連續里怎么去噪？最后又怎么變回token？

把token變成連續embedding

要把連續擴散用在語言上，第一步，得先把離散的token變成連續表示。

論文中，ELF先把它切成token序列，再映射到連續embedding空間。這里具體怎么映射，其實有多種選擇。

默認情況下，ELF用的是T5預訓練encoder，生成雙向的contextual embedding。論文后面也測試了jointly trained embedding和隨機embedding等不同方案。

值得注意的是，這個encoder只在訓練階段使用，推理時并不會額外增加模塊。

在連續embedding空間里做Flow Matching

拿到連續表示之后，ELF就在embedding空間里做Flow Matching。

簡單說，Flow Matching定義了一條從噪聲到真實數據的連續流動軌跡：

• t=0時，是高斯噪聲；

• t=1時，是干凈的embedding；

• 中間所有狀態，都是兩者的線性插值，也就是論文里的rectified flow。

在傳統Flow Matching，網絡通常直接預測“速度場” v。

但ELF沒有這么做，而是沿用了愷明團隊半年前在《Back to Basics: Let Denoising Generative Models Denoise》里提出的思路——

直接預測干凈embedding x，也就是x-prediction。

訓練目標，就是最小化預測embedding和真實embedding之間的均方誤差（MSE）。

至于為什么采用x-prediction，論文給了兩個原因：

第一，它在高維表示上更穩定——比如768維甚至更高的token embedding；第二，它天然和最后一步“預測干凈token”的目標對齊。

論文還特別提到：雖然理論上也可以先預測速度v，再換算成x，但這樣一來，后面denoising和decoding之間的權重共享就很難成立。

實驗上，他們也發現：一旦共享權重，v-prediction效果明顯變差。

從連續embedding，再回到離散token

生成語言，最終輸出還是離散token。

所以ELF只在最后一個時間步（t = 1），還得把連續embedding重新投回token空間。

不過，這一步ELF沒有像很多latent diffusion方法那樣，額外訓練一個decoder。相反，它把最后一步直接視作：
一次continuous-to-discrete decoding。

換句話說：decoder和前面的denoiser，其實是同一個網絡。

為了讓最后一步訓練不至于太簡單（因為理論上t→1時，輸入已經非常接近干凈embedding），ELF在最后一步額外加入了一次token-level corruption，構造出一個帶擾動的輸入。

隨后，同一個網絡輸出clean embedding，再通過一個可學習的unembedding矩陣 W，投影成token logits。

訓練目標，則是標準的token-level cross-entropy loss。整個網絡共享同一套參數，并額外接收一個二值的mode token：去噪模式/解碼模式。

推理時，ELF從高斯噪聲開始一路在連續空間里去噪，直到最后一步 t = 1，才切換到decode模式，再通過argmax輸出最終token。

值得一提的是，在ELF中，圖像生成里最常用的技術之一，CFG（classifier-free guidance）也被搬過來了

ELF用self-conditioning作為條件信號，套上training-time CFG（一次forward模擬兩次推理，沒有inference開銷），把圖像那邊的方案直接搬了過來。

實驗對比

實驗部分，ELF基本回答了一個過去兩年一直懸著的問題：

連續擴散語言模型，到底能不能打？答案是：不但能打，而且第一次在質量、速度、訓練成本三個維度同時贏。

如開頭所說，在OpenWebText生成任務中，在不做蒸餾的情況下，ELF只用32步采樣，就把生成困惑度壓到了24。

而此前主流的離散擴散模型，往往要跑到1024步，才能接近這個水平。

更夸張的是，ELF實現這一結果時，訓練token只用了45B。

而同級別對手，普遍是500B+。換句話說：采樣步數少了一個數量級，訓練數據也少了一個數量級，效果反而更好。

而在很多擴散模型最容易掉隊的條件生成任務上，ELF也沒掉鏈子。

無論是WMT14機器翻譯，還是XSum文本摘要，ELF都穩定超過現有擴散語言模型，甚至把不少自回歸baseline也壓了下去。

論文最后給出的總結其實很克制：ELF在生成質量、采樣效率和訓練成本之間，實現了很強的trade-off。

翻譯成人話就是：連續派，不是不能打。只是以前沒把連續這件事做到底。

作者介紹

最后，我們再來介紹一下這篇文章的作者。

這篇論文的兩篇一作是共同貢獻，排名先后順序由硬幣決定。

胡珂雅，她是這篇文章的兩位第一作者之一，MIT EECS一年級博士生，也是愷明在MIT帶的第一批博士生之一，目前由愷明和Jacob Andreas聯合指導。

圖源：胡珂雅個人主頁

她本科畢業于上交的ACM班，目前的研究興趣主要是語言和視覺的交叉領域，致力于構建數據效率更高、泛化能力更強的智能體。

值得一提的是，在愷明MIT的主頁中，胡珂雅排在Grad students第一位，可以說是組內的大師姐了。

第二位第一作者Linlu Qiu，同樣是MIT的博士生，師從Yoon Kim。

圖源：Linlu Qiu個人主頁

她本科畢業于香港大學，碩士畢業于Georgia Institute of Technology，此前還在Google做過AI Resident。

有意思的是，這并不是她第一次和愷明合作。就在不久前，她還和愷明團隊一起拿下了CVPR 2026論文《ARC Is a Vision Problem!》，把ARC推理問題重新定義成了視覺問題。

另一位作者Hanhong Zhao（趙瀚宏）為MIT本科生，他高中就讀于人大附中，曾是國際物理奧林匹克競賽IPhO金牌得主。

圖源：math.mit.edu

還有一位作者陸伊煬，背景有點“少年班味道”。

圖源：陸伊煬個人主頁

他是清華姚班大二本科生，目前在MIT計算機科學與人工智能實驗室（CSAIL）實習，導師是何愷明，主要研究方向為計算機視覺和深度生成模型。

高中時期，他是物理競賽生，曾以江蘇選手中第一名、全國第九名的成績，在2022年獲得了第三十九屆全國中學生物理競賽（CPhO）金牌。

此前，他以一作身份與愷明合作過論文《Bidirectional Normalizing Flow: From Data to Noise and Back》。

另一位核心作者黎天鴻，則是愷明組的博后。

圖源：黎天鴻個人主頁

他本科就讀于清華姚班，博士畢業于MIT，半年前那篇《Back to Basics: Let Denoising Generative Models Denoise》的一作，就是他。

此外，論文的其他作者Yoon Kim、Jacob Andreas，MIT EECS兩位語言模型方向的教授，以及何愷明本人。

參考鏈接
[1]https://arxiv.org/pdf/2605.10938

【免責聲明】轉載出于非商業性的教育和科研目的，只為學術新聞信息的傳播，版權歸原作者所有，如有侵權請立即與我們聯系，我們將及時刪除。