💡 站外导读：在生成式AI竞赛白热化的当下，长文本生成效率成为制约大模型落地的关键瓶颈。传统自回归模型生成序列时需逐步解码，面对长文本时计算成本与延迟显著攀升。而扩散模型虽具并行生成潜力，却常因采样步数过多而牺牲速度。苹果与俄亥俄州立大学联合提出的FS-DFM模型，正是瞄准这一痛点，通过显式控制采样步数并优化概率更新规则，实现了少步高质量生成，为内容创作、智能客服等需要快速长文本输出的场景提供了高效解决方案。
FS-DFM（Few-Step Discrete Flow-Matching）是苹果联合俄亥俄州立大学推出的用在快速生成长文本的扩散语言模型。模型通过将采样步数作为显式参数进行训练，使模型能在较少的步骤内生成高质量的文本。FS-DFM结合可靠的更新规则和强大的教师指导，确保概率更新准确且不会过度调整。在语言建模基准测试中，FS-DFM用8步采样达到1024步离散流基线的困惑度水平，同时将采样速度提升至128倍，显著提高效率和吞吐量。
高效采样：用8步采样达到传统1024步扩散模型的效果，速度提升128倍。
长文本生成：适用生成长文本，解决传统自回归模型在长序列生成中的效率瓶颈。
稳定性和可控性：通过优化采样规则和教师指导，确保生成过程稳定且易于控制。
基于离散流匹配（DFM）框架：FS-DFM的技术基础是离散流匹配（Discrete Flow-Matching, DFM），通过学习从噪声分布到目标分布的概率路径生成文本。DFM用连续时间马尔可夫链（CTMC）的特性，提供一种并行生成文本的方法，相比传统的自回归模型，能显著提高生成效率。
显式采样步数：FS-DFM将采样步数作为显式参数，训练模型在不同步数预算下保持一致的生成效果。意味着模型通过较少的步骤（如8步）达到与传统方法（如1024步）相当的质量，大幅减少生成所需的计算资源和时间。
可靠更新规则：为确保少步生成的稳定性和准确性，FS-DFM引入一种可靠的更新规则。规则通过控制概率更新的方向和幅度，避免过度调整（overshooting）的问题，使生成过程更加稳定。
累积标量（Cumulative Scalar）：FS-DFM引入累积标量的概念，通过在时间区间内积分调度器的速率，为每个有限步提供正确的概率流。使模型在少步生成中实现有效的更新，在早期步骤中能保持足够的更新力度，避免生成过程停滞。
内容创作：快速生成高质量的长文本，用在创作文章、故事、新闻报道等，帮助内容创作者提高效率。
智能客服：在智能客服系统中，快速生成详细的回复，提升响应速度和用户体验。
语言翻译：通过高效生成长文本，用在翻译长篇文档，提高翻译效率和质量。
创意写作：为作家和创意人员提供灵感，快速生成故事大纲、剧本或诗歌等，激发创作思路。
教育领域：生成教育材料，如课程大纲、教学案例或练习题，辅助教师准备教学内容。
FS-DFM的发布标志着扩散语言模型从学术探索迈向实用化关键一步。其核心创新在于将采样步数作为显式训练参数，并引入可靠更新规则与累积标量机制，在极致压缩生成步数的同时保持质量稳定。这不仅是技术上的突破，更反映了行业趋势：大模型竞争正从单纯参数规模转向生成效率与成本优化。苹果此次出手，预示着其可能将高效生成技术深度集成至端侧AI，赋能Siri、Apple Intelligence等场景。未来，此类少步扩散架构或将成为平衡生成质量与实时性的新范式，推动AIGC在移动端、边缘计算等资源受限环境中的广泛应用。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。