掩码扩散模型解码偏差的实证分析：Uncode 校准框架

研究揭示掩码扩散模型（MDM）中基于不确定性的解码策略会引入刚性边界偏差和琐碎 token 偏差，限制推理能力并降低生成质量。为此提出解码去偏校准框架 Uncode，通过引入两种互补先验约束全局解码轨迹。在三个先进 MDM 和七个推理与规划密集型基准上，Uncode 比现有解码策略高出 7% 以上，性能与同参数规模的自回归模型相当。