PRISM 框架为离散扩散语言模型（dLLM）设计了高效的 Test-Time Scaling 方案，通过层次化搜索、局部重掩码和自验证反馈，在数学推理和代码生成任务上以显著低于 Best-of-N 的计算成本实现了性能提升。
📝 详细摘要
本文介绍了由 Jinbin Bai 等研究者提出的 PRISM 框架，旨在解决离散扩散语言模型（dLLM）在 Test-Time Scaling 中的效率问题。与自回归模型不同，dLLM 通过并行去噪生成，传统 Best-of-N 方法会浪费大量计算在低质量轨迹上。PRISM 的核心创新包括：层次化轨迹搜索（HTS），在早期保持多样性、中期裁剪低质量轨迹、后期精修；局部重掩码分支，保留高置信 token 并仅对低置信区域重新探索；以及自验证反馈（SVF），复用模型自身作为轻量级验证器。实验表明，在 LLaDA-8B-Instruct 等模型上，PRISM 在 GSM8K、MATH-500、HumanEval 和 MBPP 等基准上实现了显著性能提升，同时相比 Best-of-N 节省了数倍的去噪计算量。该工作已被 ICML 2026 接收，为 dLLM 的高效推理扩展开辟了新路径。
💡 主要观点
- PRISM 通过层次化轨迹搜索（HTS）实现高效推理预算分配。 HTS 将推理过程分为早期随机探索、中期渐进裁剪和后期精修三个阶段，在去噪过程中动态识别并裁剪低质量轨迹，将计算资源集中到更有前景的候选上，使复杂度从 Best-of-N 的 O(NT) 降至 O(N + KT)。
💬 文章金句
- PRISM 的关键思路是把推理过程拆成三个阶段：早期随机探索、中期渐进裁剪和后期精修。
- PRISM 不会粗暴地丢弃整条轨迹重新采样，而是保留高置信部分，只对低置信位置进行重新 mask，然后从这些局部变化中生成新的分支。
- PRISM 将 verification 从「额外模型」变成了「同一模型的一次轻量自检」。
- PRISM 不只是一个更省算力的 Best-of-N 替代方案，而是离散扩散语言模型迈向高效推理系统的一块关键拼图。
📊 文章信息
AI 初评：86
来源：机器之心
作者：机器之心
分类：人工智能
语言：中文
阅读时间：12 分钟
字数：2844
标签： 离散扩散语言模型, Test-Time Scaling, PRISM, 推理优化, 自验证