UCLA 论文：扩散语言模型按任务调节计算量，新颖输出更耗算力

UCLA 等机构的论文系统研究了扩散语言模型在不同任务与语言上的计算量分配。研究发现，每个 token 所需的前向传播次数高度依赖任务，复制或轻改输入成本较低，开放式写作及新颖、罕见或出错输出则会自动投入更多计算。论文覆盖两个扩散模型、10 类任务，为成本估算与自适应推理提供实证基础。