COFFEE：面向离散扩散模型的未来感知目标引导框架

COFFEE 是一个即插即用的离散扩散模型引导框架，通过将序列依赖与目标解耦，避免枚举所有补全带来的指数级计算增长。该框架在每一步扩散中利用无目标载体吸收去噪器的边际分布，并用编译的有限状态模型记录组合对序列级偏好的影响，从而在不重新训练的前提下将全局偏好转移到未解析位置。实验覆盖符号、语言和生物多个基准，展现出任务依赖的质量与多样性权衡。