Universal Guidance for Diffusion Models
University of Maryland, College Park（马里兰大学帕克分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；New York University（纽约大学）
典型的扩散模型被训练为接受特定形式的条件，最常见的是文本，并且不能在没有重新训练的情况下以其他模态为条件。在这项工作中，我们提出了一个通用的指导算法，使扩散模型被控制的任意指导方式，而不需要重新训练任何使用特定的组件。我们表明，我们的算法成功地生成高质量的图像与指导功能，包括分割，人脸识别，目标检测，和分类器信号。代码可在https://github.com/arpitbansal297/Universal-Guided-Diffusion上获得。
2023-02-14 cs.CV cs.LG
When Test-Time Guidance Is Enough: Fast Image and Video Editing with Diffusion Guidance
CMAP, Ecole Polytechnique（巴黎综合理工学院CMAP实验室）；Institute of Foundation Models（基础模型研究所）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；EPITA（法国高等信息技术学院）；Sorbonne University（索邦大学）；Lagrange Mathematics and Computing Research Center（拉格朗日数学与计算研究中心）；EPITA Research Lab（EPITA研究实验室）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出通过测试时指导实现高效的图像和视频编辑，理论分析并扩展了现有方法，证明测试时指导能与训练时方法媲美甚至超越。
2026-03-30 cs.AI cs.CV cs.LG
CFG++: Manifold-constrained Classifier Free Guidance for Diffusion Models
KAIST（韩国科学技术院）
针对传统无分类器引导（CFG）存在的流形外现象引发的可逆性差、模式崩溃等问题，提出流形约束的CFG++方法，将文本引导重构为带文本条件得分匹配损失的逆问题，在多类扩散任务中性能显著提升。
2024-09-12 cs.AI cs.CV cs.LG
REG: Rectified Gradient Guidance for Conditional Diffusion Models
Massachusetts Institute of Technology（麻省理工学院）
本文提出校正梯度引导（REG），通过修正理论无效的缩放边际分布目标为联合分布目标，提升条件扩散模型性能，实验证明其在多个任务上优于现有引导方法。
2025-05-22 cs.AI cs.CV cs.LG
Self-Rectifying Diffusion Sampling with Perturbed-Attention Guidance
Korea University（韩国大学）；Samsung Electronics（三星电子）
本文提出扰动注意力引导（PAG），通过扰动自注意力图引导去噪过程远离结构退化样本，无需额外训练即可在无条件和有条件生成及多种下游任务中提升扩散模型样本质量。
2025-07-07 cs.AI cs.CV cs.LG
Conditional Diffusion with Less Explicit Guidance via Model Predictive Control
Genentech（基因泰克公司）
条件扩散需要多少明确的指导？我们考虑使用无条件扩散模型和有限显式指导（例如，噪声分类器或条件扩散模型），其被限制为少量的时间步长。我们探索了一种类似于模型预测控制（MPC）的近似制导方法，通过模拟无条件扩散前向和反向传播显式制导反馈。MPC近似的指南有很高的余弦相似性，真正的指南，即使在大的模拟距离。当显式指导限于五个时间步长时，添加MPC步骤可以提高生成质量。
2022-10-21 cs.LG
Analyzing Multimodal Objectives Through the Lens of Generative Diffusion Guidance
Seoul National University（首尔国立大学）
近年来，多模态表示学习领域取得了惊人的进展，其中对比学习是重大突破的基石。最新的作品通过将不同的目标（如掩码建模和字幕）纳入框架中，提供了进一步的改进，但我们对这些目标如何促进学习的理解仍然非常不完整。在本文中，我们利用分类器引导的扩散模型生成反映分类器提供的语义信号的图像来研究多模态学习目标的特征。具体来说，我们比较对比，匹配和字幕损失方面的语义信号，并引入一个简单的基线，不仅支持我们的分析，但也提高了生成指导的质量在一个简单的方式。
2023-02-10 cs.AI cs.CV cs.LG
Domain Guidance: A Simple Transfer Approach for a Pre-trained Diffusion Model
BNRist（北京信息科学与技术国家研究中心）
本文提出Domain Guidance，一种简单的扩散模型迁移方法，利用预训练知识引导采样至目标域，无需额外训练即可显著提升生成质量。
2025-04-02 cs.AI cs.CV cs.LG
Applying Guidance in a Limited Interval Improves Sample and Distribution Quality in Diffusion Models
Aalto University（阿尔托大学）；NVIDIA（英伟达公司）
本文发现扩散模型采样链中引导仅在中间噪声水平有益，提出将引导限制在有限区间，显著提升ImageNet-512的FID（从1.81降至1.40），并在多种设置下验证了其通用性。
2024-11-06 cs.AI cs.CV cs.LG
Stay Fair! Ensuring Group Fairness in Diffusion Models Across Guidance Scales
POSTECH；Amazon（亚马逊）
提出StayFair方法，通过分解总偏差为模型偏差和引导偏差，并扩展强人口平价到引导过程，设计公平引导算法，使扩散模型在不同引导尺度下保持群体公平性。
2026-10-27 cs.CV cs.LG
Improving Diffusion-Based Image Editing Faithfulness via Guidance and Scheduling
Korea University（韩国大学）
针对图像编辑中可编辑性与保真度的权权衡问题，提出保真度引导与调度（FGS）方法，通过加强输入信息保留和引入调度策略解决错位，在维持可编辑性的同时显著提升保真度，且兼容多种编辑方法。
2025-06-26 cs.AI cs.CV cs.LG
Spatial-Temporal Feedback Diffusion Guidance for Controlled Traffic Imputation
FENCE提出了一种时空反馈扩散引导方法，通过动态调整引导尺度提升交通数据填补的准确性。
2026-01-08 cs.AI cs.LG
Diffusion Models without Classifier-free Guidance
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）
提出 Model-guidance 训练目标以替代 CFG，通过建模条件后验实现即插即用，在 ImageNet 256 上以 FID 1.34 达到 SOTA，并显著提升训练与推理效率。
2025-02-17 cs.AI cs.CV cs.LG
Navigating with Annealing Guidance Scale in Diffusion Space
Tel Aviv University（特拉维夫大学）；Google DeepMind（谷歌DeepMind）
本文提出了一种退火引导调度器，通过动态调整引导尺度提升文本到图像生成的质量和对齐度，无需额外资源消耗。
2026-03-03 cs.AI cs.CV cs.GR
Frame Guidance: Training-Free Guidance for Frame-Level Control in Video Diffusion Models
KAIST（韩国国立科学技术院）；NTU Singapore（南洋理工大学）；Adobe Research（Adobe研究）
帧引导通过帧级信号实现无训练的视频生成控制，支持多种任务如关键帧引导、风格化和循环，无需训练即可生成高质量视频。
2026-03-03 cs.AI cs.CV
Understanding and Improving Training-free Loss-based Diffusion Guidance
Microsoft Research Asia（微软亚洲研究院）；National University of Singapore（新加坡国立大学）
本文深入分析了无需训练的基于损失的扩散引导，从优化角度提供理论支持并指出其易受对抗性梯度影响及收敛慢的缺陷，同时提出多项改进技术，在图像与运动生成实验中验证了其有效性。
2024-05-29 cs.CV cs.LG
Bridging the Gap: Addressing Discrepancies in Diffusion Model Training for Classifier-Free Guidance
University of California, Los Angeles（加州大学洛杉矶分校）；Swiss Data Science Center, ETH Zürich（苏黎世联邦理工学院瑞士数据科学中心）；Swiss Data Science Center, Paul Scherrer Institute（保罗·谢勒研究所瑞士数据科学中心）
本文针对扩散模型中无分类器引导训练与采样行为不一致的问题，提出一种更新后的损失函数，在 CIFAR-10 上以更少采样步数获得更高质量样本，并对引导尺度更鲁棒，同时在 Stable Diffusion 上初步验证了其有效性。
2023-11-02 cs.AI cs.CV cs.LG
Semantic Guidance Tuning for Text-To-Image Diffusion Models
针对文本生成图像扩散模型难以严格遵循提示词语义的问题，提出一种无需训练的推理阶段语义引导调优方法，通过分解提示概念并校正偏离的引导方向，有效提升生成图像的语义对齐度。
2024-01-30 cs.AI cs.CV
FairGen: Controlling Sensitive Attributes for Fair Generations in Diffusion Models via Adaptive Latent Guidance
UIUC（伊利诺伊大学）；AWS AI Labs（亚马逊AI实验室）
针对文本到图像扩散模型的人口群体偏见问题，提出自适应潜变量引导机制FairGen，结合记忆模块实现公平生成，并构建HBE基准，实验证明其偏见缓解效果优于现有方法。
2025-10-22 cs.AI cs.CV cs.LG
How Much To Guide: Revisiting Adaptive Guidance in Classifier-Free Guidance Text-to-Vision Diffusion Models
Wangxuan Institute of Computer Technology, Peking University（北京大学王玄计算技术研究所）
针对无分类器引导推理成本高的问题，本文提出通用自适应策略 Step AG，仅在前若干去噪步执行引导，即可保持图像质量与图文对齐并平均加速20%至30%。
2025-06-10 cs.AI cs.CL cs.CV
Perceptual Similarity guidance and text guidance optimization for Editing Real Images using Guided Diffusion Models
Shandong University（山东大学）
针对扩散模型图像编辑时修改图与源图差异大的问题，提出结合文本引导优化与感知相似性引导的双引导方法，实现编辑区域真实且未编辑区域高保真的图像编辑效果。
2023-12-09 cs.CV
Self-Guided Diffusion Models
TNO（荷兰应用科学研究组织）；University of Amsterdam（阿姆斯特丹大学）
本文提出自引导扩散模型框架，利用自监督信号替代图像标注对，在多粒度上提供引导信号，实验表明其优于无引导模型甚至真实标签引导，且无需任何标签即可生成多样且语义一致的图像。
2023-11-27 cs.AI cs.CV cs.LG
SPARKE: Scalable Prompt-Aware Diversity and Novelty Guidance in Diffusion Models via RKE Score
Department of Computer Science and Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）；Department of Information Engineering, The Chinese University of Hong Kong（信息工程系，香港中文大学）
针对提示引导扩散模型生成样本多样性不足的问题，提出SPARKE方法，通过条件潜变量RKE分数引导将计算复杂度降至O(n)，在不增加显著成本的同时提升生成数据的提示感知多样性。
2025-10-30 cs.AI cs.CV cs.LG
Learning Diffusion Models with Flexible Representation Guidance
MIT（麻省理工学院）；UCLA（加利福尼亚大学洛杉矶分校）；TU Munich（慕尼黑工业大学）
本文提出将表示引导纳入扩散模型的系统框架，通过去噪模型分解、多模态配对和最优训练课程增强表示对齐，在图像等生成任务上实现卓越性能与显著加速。
2025-10-13 cs.AI cs.CV cs.LG
Smoothed Energy Guidance: Guiding Diffusion Models with Reduced Energy Curvature of Attention
University of Washington（华盛顿大学）；Korea University（高丽大学）
本文提出平滑能量引导（SEG），一种无需训练和条件的扩散模型引导方法，通过降低自注意力能量景观曲率并引入查询模糊方法，在提升生成质量的同时减少副作用，实现帕累托改进。
2024-10-01 cs.AI cs.CV cs.LG
Improving Diffusion-based Image Translation using Asymmetric Gradient Guidance
KAIST（韩国科学技术院）
针对扩散图像翻译中风格转换与内容保留的权衡及高微调成本，提出非对称梯度引导扩散采样反向过程，无需额外训练即可提升文本与图像引导翻译的速度、稳定性和效果。
2023-06-07 cs.AI cs.CV cs.LG
Guidance for Low-Level Perceptual Editing in Unconditional Diffusion Models
Indian Institute of Technology Roorkee（印度理工学院罗尔基）
针对无条件扩散模型在美学和感知增强中难以进行全局低级变换的问题，提出一种无需训练的推理时机制，通过提取退化概念向量并结合瓶颈修补与无分类器引导，实现图像编辑与质量提升。
2026-05-29 cs.CV cs.LG
Diffusion Model with Perceptual Loss
ByteDance Inc.（字节跳动公司）
本文提出扩散模型生成质量差的根源在于均方误差损失目标与数据假设不一致，并从感知监督视角解释引导方法，进而设计自感知损失目标，在无需引导的情况下训练出生成更真实样本的扩散模型。
2025-03-08 cs.AI cs.CV cs.LG
Guidance Matters: Rethinking the Evaluation Pitfall for Text-to-Image Generation
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Cogniser Information Technology（Cogniser信息科技）
本文重新审视文本到图像生成中的评估误区，提出引导感知评估框架，并设计超越扩散引导方法以提升人类偏好评分。
2026-02-26 cs.AI cs.CV
Efficient Fairness Auditing Across Guidance Scales in Text-to-Image Diffusion Models via Causal Abstraction
University of Arkansas（阿肯色大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
针对文本到图像扩散模型公平性审计计算开销大的问题，提出基于因果抽象的审计工具，通过顶层模型高效预测跨引导尺度的公平性查询，并在Stable Diffusion 1.5和StayFair上验证了其准确性和效率。
2026-09-10 cs.CV cs.LG
Boost-and-Skip: A Simple Guidance-Free Diffusion for Minority Generation
提出无引导的Boost-and-Skip扩散方法，仅通过方差增强初始化和时间步跳跃两处微小改动，即可高效生成少数样本，性能媲美基于引导的最先进方法且计算成本显著降低。
2025-05-30 cs.AI cs.CV cs.LG
Towards More General Control of Diffusion Models Using Jeffrey Guidance
Inria, CNRS, I3S, Maasai Université Côte d’Azur（法国国家信息与自动化研究所、法国国家科学研究中心、信息与系统科学实验室、马赛·蔚蓝海岸大学）；Technical University of Denmark（丹麦技术大学）；Inria, CNRS, LJAD, Maasai Université Côte d’Azur（法国国家信息与自动化研究所、法国国家科学研究中心、雅克-路易·利翁实验室、马赛·蔚蓝海岸大学）
提出 Jeffrey 引导框架，通过 Jeffrey 条件规则更新边缘分布，扩展扩散模型控制到标准引导无法表达的应用，在 CIFAR-10 和 FFHQ 上显著降低 FID，并在 CelebA-HQ 上实现公平性控制。
2026-06-12 cs.AI cs.CV cs.LG
On the Robustness of Distribution Support under Diffusion Guidance
Center for Applied Mathematics, Cornell University（康奈尔大学应用数学中心）；School of Operations Research and Information Engineering, Cornell University（康奈尔大学运筹学与信息工程学院）；Department of Statistics, The University of Chicago（芝加哥大学统计学系）
本文通过建立分布支撑的鲁棒性性质，理论解释了扩散引导为何能生成高质量样本，并覆盖DDIM和DDPM模型及多种离散化方案。
2026-05-22 cs.LG
Upsample Guidance: Scale Up Diffusion Models without Training
Seoul National University（首尔大学）；Korea Institute for Advanced Study（韩国高等研究院）
本文提出上采样引导技术，仅通过在采样过程中添加一个项，即可让预训练扩散模型无需训练或外部模型直接生成更高分辨率图像，并验证其适用于像素空间、潜在空间和视频扩散模型。
2024-04-02 cs.AI cs.CV
Fine-grained Image Editing by Pixel-wise Guidance Using Diffusion Models
Sony Group Corporation（索尼集团公司）
本文提出一种基于扩散模型的逐像素引导图像编辑框架，通过少量标注训练像素分类器并利用用户操作的分割图实现细粒度可控编辑，在质量和速度上优于GAN方法。
2023-05-31 cs.CV cs.LG
Temporal Alignment Guidance: On-Manifold Sampling in Diffusion Models
KAIST AI（韩国科学技术院人工智能研究院）
针对扩散模型生成过程中因施加任意引导导致偏离流形并破坏样本保真度的问题，提出时间对齐引导机制（TAG），利用时间预测器估计偏差并在各时间步将样本引导回期望流形，显著提升生成质量。
2025-10-13 cs.AI cs.LG
Training-Free Guidance for Discrete Diffusion Models for Molecular Generation
Utah State University（犹他州立大学）
针对离散扩散模型缺乏等效免训练引导方法的问题，提出适用于离散数据的免训练引导框架，结合DiGress模型与相关引导函数，验证了其在分子图生成任务中的引导能力。
2024-09-11 cs.LG physics.chem-ph q-bio.BM
SPG: Improving Motion Diffusion by Smooth Perturbation Guidance
Samsung Research（三星研究院）
本文提出无需额外训练的测试时引导方法SPG，通过在去噪步骤中对运动进行时间平滑构建弱模型以实现负向引导，有效缓解分布外问题并持续增强运动保真度。
2025-03-04 cs.CV
Adaptive Diffusion Guidance via Stochastic Optimal Control
本文提出通过随机最优控制框架，建立指导调度的理论基础，动态选择指导强度以提升扩散模型生成质量。
2026-03-31 cs.LG stat.ML
No Training, No Problem: Rethinking Classifier-Free Guidance for Diffusion Models
ETH Zürich（苏黎世联邦理工学院）；DisneyResearch|Studios（迪士尼研究工作室）
本文提出独立条件引导（ICG）和时间步引导（TSG），在无需额外训练或修改训练过程的情况下，为条件及无条件扩散模型提供与免分类器引导（CFG）相当的生成质量提升。
2025-06-03 cs.CV cs.LG
DAG: Depth-Aware Guidance with Denoising Diffusion Probabilistic Models
Korea University（高丽大学）
由于扩散模型的出现，生成模型最近取得了重大进展。这些模型的成功通常可以归因于它们使用了引导技术，例如分类器或无分类器引导，这些引导技术提供了在保真度和多样性之间进行权衡的有效机制。然而，这些方法不能够引导生成的图像意识到其几何配置，例如，深度，这阻碍了它们应用于需要一定程度的深度意识的领域。为了解决这个问题，我们提出了一种新的指导方法，扩散模型，使用估计的深度信息来自丰富的中间表示的扩散模型。我们首先提出了标签有效的深度估计框架，使用内部表示的扩散模型。随后，我们提出了两个指导技术的基础上伪标记和深度域扩散之前在采样阶段的自我条件生成的图像使用估计的深度图。实验和全面的消融研究表明，我们的方法在指导扩散模型对生成的几何合理的图像的有效性。
2023-01-30 cs.CV
Simple Guidance Mechanisms for Discrete Diffusion Models
Department of Computer Science, Cornell University（计算机科学系，康奈尔大学）；InstaDeep
本文为离散扩散模型推导了无分类器和基于分类器的引导机制，并提出利用均匀噪声且可持续编辑输出的新型扩散模型，结合连续时间变分下界，在基因组序列、小分子和离散图像生成中实现了更优的可控生成。
2025-05-27 cs.LG
Adaptive Guidance for Retrieval-Augmented Masked Diffusion Models
KAIST（韩国科学技术院）
本文提出ARAM框架，通过动态校准引导尺度提升检索增强扩散模型在知识密集型问答中的性能。
2026-04-03 cs.AI cs.CL cs.LG
Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance
Department of Electrical and Computer Engineering（电气与计算机工程系）；Virginia Tech（弗吉尼亚理工大学）；Department of Electrical and Electronic Engineering（电气电子工程系）；Institute of Science（科学研究所）
本文提出一种基于扩散模型的分段引导框架，用于解决逆问题，通过分段函数平衡计算效率与引导精度，有效整合测量噪声，实验显示在图像修复和超分辨率任务中提升效率。
2026-05-01 cs.CV cs.LG
Angle Domain Guidance: Latent Diffusion Requires Rotation Rather Than Extrapolation
Department of Electronic Engineering, Tsinghua University, Beijing, China（清华大学电子工程系）；Zhili College, Tsinghua University, Beijing, China（清华大学紫金学院）
针对CFG在高引导权重下导致颜色失真的问题，提出ADG算法，通过约束幅度变化并优化角度对齐，在保留文本对齐的同时提升颜色保真度与人类感知契合度。
2025-05-21 cs.AI cs.LG
Advanced Image Generation: Negative Prompt Optimization and Latent Classifier Guidance
该研究提出新系统，通过微调序列到序列语言模型集成负提示优化与潜在空间分类器引导，自动生成优化负提示，用混合分类器评估引导扩散步骤，减少伪影并提高语义保真度，提升Stable Diffusion图像生成质量。
2026-07-17 cs.CV cs.LG
More Control for Free! Image Synthesis with Semantic Diffusion Guidance
UC Berkeley（加州大学伯克利分校）；Picsart AI Research (PAIR)（Picsart人工智能研究院（PAIR））；University of Oregon（俄勒冈大学）；The University of Hong Kong（香港大学）
可控的图像合成模型允许基于文本指令或参考图像的指导创建不同的图像。最近，去噪扩散概率模型已被证明比现有方法生成更逼真的图像，并已成功地证明在无条件和类条件设置。我们调查细粒度，连续控制这个模型类，并引入一个新的统一框架语义扩散指导，它允许语言或图像指导，或两者兼而有之。使用图像-文本或图像匹配分数的梯度将指导注入到预训练的无条件扩散模型中，而不重新训练扩散模型。我们探索基于CLIP的语言指导，以及在一个统一的框架中基于内容和风格的图像指导。我们的文本引导合成方法可以应用于没有相关文本注释的数据集。我们在FFHQ和LSUN数据集上进行了实验，并展示了细粒度文本指导的图像合成，与样式或内容参考图像相关的图像合成以及文本和图像指导的示例的结果。
2022-12-05 cs.CV cs.GR
Logical Guidance for the Exact Composition of Diffusion Models
NEC Laboratories Europe（NEC欧洲实验室）；University of Stuttgart（斯图加特大学）；NEC Laboratories America（NEC美国实验室）
本文提出LOGDIFF框架，通过逻辑引导实现复杂逻辑表达的精确生成，基于布尔演算和递归算法，适用于图像和蛋白质结构生成。
2026-03-23 cs.LG
Toward the Frontiers of Reliable Diffusion Sampling via Adversarial Sinkhorn Attention Guidance
Samsung Research（三星研究院）
针对扩散模型现有引导方法缺乏原则性基础且依赖手动设计失真的问题，提出对抗性Sinkhorn注意力引导（ASAG），通过最优传输视角重构注意力分数并注入对抗性成本，轻量即插即用，提升样本质量及下游应用可控性与保真度。
2025-11-10 cs.AI cs.CV
Enhancing Diffusion Model Guidance through Calibration and Regularization
UC San Diego（加州大学圣迭戈分校）；Politecnico di Milano（米兰理工学院）
本文通过校准和正则化方法提升扩散模型引导效果，改进分类器校准和采样策略，提升图像生成质量。
2025-12-21 cs.AI cs.CV cs.IT
Graph Guided Diffusion: Unified Guidance for Conditional Graph Generation
King Juan Carlos University（胡安·卡洛斯国王大学）；Rice University（莱斯大学）
提出GGDiff框架，将条件图生成视为随机控制问题，统一梯度、控制和零阶引导策略，实现预训练扩散模型在可微与不可微奖励下的零样本条件生成，在基序约束、公平性和链接预测任务中表现优异。
2025-05-26 cs.LG
Steering Guidance for Personalized Text-to-Image Diffusion Models
Qualcomm AI Research（高通人工智能研究）
针对文本到图像扩散模型个性化微调中目标分布适配与原模型知识保留的权衡问题，提出基于空文本弱模型和权重插值的个性化引导方法，在无额外开销下实现均衡生成，提升文本对齐与保真度。
2025-08-01 cs.CV cs.LG
Training-Free Representation Guidance for Diffusion Models with a Representation Alignment Projector
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Peking University（北京大学）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Academy of Artificial Intelligence（北京人工智能研究院）
本文提出无需训练的表示引导方法，通过引入表示对齐投影器提升扩散模型的语义对齐与图像一致性。
2026-01-30 cs.AI cs.CV
Lookahead Sample Reward Guidance for Test-Time Scaling of Diffusion Models
KAIST（韩国科学技术院）
提出一种高效测试时缩放方法LiDAR采样，通过前瞻几步采样和精确求解器引导粒子向高奖励区域移动，无需反向传播，在GenEval上达到与最新梯度引导方法相同性能且加速9.5倍。
2026-05-30 cs.AI cs.LG
