CaLR：面向鲁棒扩散推理的因果潜变量修订

自回归（AR）模型受困于局部贪心，而扩散语言模型（DLM）往往缺乏推理所需的严格因果结构。为兼取两者之长并克服各自弊端，我们提出因果潜变量修订（CaLR），一个将推理重构为受约束潜变量优化的框架。CaLR采用来自专家模型的因果拓扑矩阵（CTM）并结合隐式微分，执行梯度引导的思维修订以强化逻辑一致性，实现并行生成过程中间步骤的动态自校正。实验上，CaLR在复杂基准上取得DLM的SOTA性能，超越强AR基线，并在数独等受约束任务中展现出更优的鲁棒性。