提出了一种掩码感知策略梯度方法,将掩码扩散语言模型的生成过程建模为两阶段动作MDP,联合优化令牌预测和位置掩码决策,在数学推理和代码生成基准上取得了最先进性能(GSM8K 87.1%,MBPP 53.4%)。
机构:UT Austin
来源:arXiv 2607.15200 | AI4Papers 论文推荐平台