10 月 14 日消息，科技媒體 9to5Mac 今天（10 月 14 日）發布博文，報道稱蘋果提出 FS-DFM 擴散模型，僅需 8 輪快速迭代，即可生成與傳統模型上千輪迭代質量相媲美的文本，且寫入速度比同類模型最多可提高 128 倍。

蘋果公司與俄亥俄州立大學的研究團隊近期聯合發表論文，提出一種名為“少步離散流匹配”（Few-Step Discrete Flow-Matching，簡稱 FS-DFM）的新型語言模型。

該模型專注于解決長文本生成領域的效率瓶頸，僅需 8 輪快速精練，就能生成高質量的長篇文本，其效果足以媲美傳統擴散模型執行上千步迭代所實現的效果。

在深入了解 FS-DFM 之前，需要區分兩種主流的語言模型范式：

以 ChatGPT 為代表的自回歸模型，其工作方式是逐字（Token）串行生成文本，后一個字的生成依賴于前面所有內容。

而擴散模型則采用并行策略，一次性生成多個字，再通過多輪迭代逐步優化，直至形成完整的回應。

FS-DFM 作為擴散模型的一個變體，進一步簡化了迭代過程，旨在用最少的步驟直接生成最終結果。IT之家援引博文介紹，蘋果研究人員為實現這一突破，設計了一套精妙的三步法：

首先，模型經過專門訓練，能夠靈活適應不同的精煉迭代次數。

其次，團隊引入一個“教師”模型進行引導，確保模型在每輪迭代中都能進行大幅且精準的更新，同時避免出現“矯枉過正”的問題。

最后，他們還優化了迭代機制本身，讓模型能以更少、更穩健的步驟生成最終文本。

在性能評估中，FS-DFM 還支持對比了擁有 70 億參數的 Dream 模型和 80 億參數的 LLaDA 模型。測試結果顯示，即使是參數量僅為 1.7 億至 17 億的 FS-DFM 變體，在困惑度（衡量文本準確與流暢性的指標，越低越好）和熵（衡量模型選詞置信度的指標。熵太低，生成的文本可能單調重復；熵太高，則可能胡言亂語）兩項關鍵數據上，都表現出更低的困惑度和更穩定的熵。