Discrete Diffusion Models: A Unified Framework from Tokenization to Generation

Ye Yuan, Weien Li, Rui Song, Zeyu Li, Haochen Liu, Xiangyu Kong, Zixuan Dong, Linfeng Du, Zipeng Sun, Weixu Zhang, Jiaxin Huang, Changjiang Han, Yonghan Yang, Zichen Zhao, Xiuyuan Hu, Haolun Wu, Yankai Chen, Fengran Mo, Jikun Kang, Bowei He, Philip S. Yu, Xue Liu

arXiv:2607.13431 · 2026-07-18 공개 · arXiv · PDF

diffusion-models tokenization autoregressive discrete-diffusion training-objectives generation inference-algorithms state-space

Abstract

Discrete denoising diffusion models (DDMs) have recently emerged as a compelling alternative to autoregressive (AR) modeling for discrete data, offering parallel generation and iterative global refinement capabilities. Unlike continuous diffusion, where the state space is fixed, DDMs are fundamentally shaped by how the discrete state space is constructed: the tokenization scheme, the vocabulary topology, and domain-specific structural alphabets. This work introduces a unified conceptual framework that views discrete diffusion models through the construction of the underlying discrete state space. Within this framework, existing formulations, including transition-matrix, masking/absorbing-state, and score/ratio-based approaches, emerge as different instantiations of a common design space. The framework further exposes common design trade-offs across training objectives, inference algorithms, scaling behavior, systems optimization, and evaluation protocols, suggesting several promising directions for future research.

한국어 요약

한 줄 요약

이 연구는 토큰화를 중심으로 하는 이산 확장 모델의 통합적 프레임워크를 제시한다.

핵심 기여도

핵심 아이디어

이 연구는 이산 확장 모델이 연속 확장과 달리, 토큰화 방식, 어휘 토폴로지, 도메인별 구조적 알파벳 등 이산 상태 공간의 구성에 의해 결정된다는 점을 강조한다.
기존 연구에서 독립적으로 발전한 transition-matrix, masking/absorbing-state, score/ratio-based 접근법이 사실은 동일한 설계 공간에서 파생된다는 통찰을 통해, 이산 확장 모델의 다양한 형태를 통합적으로 이해할 수 있는 프레임워크를 제시한다.
이를 통해 훈련 목적, 추론 알고리즘, 평가 프로토콜 등에서 나타나는 공통된 설계 트레이드오프를 명확히 드러내며, 토큰화가 모델 성능에 미치는 영향을 강조한다.

기술적 접근법

주요 결과

의의 및 한계

실용적 활용

이 연구는 텍스트 및 코드 생성, 다중 모달 생성, 생물학적 데이터(단백질, 유전체, 분자) 생성, 타블릿 데이터 처리 등 다양한 이산 데이터 생성 문제에 적용 가능하다.
특히, 병렬 생성, 인필링, 편집, 제약 기반 생성 등에서 이산 확장 모델의 이점이 두드러지며, 이러한 기능은 NLP, 생물정보학, 생성 모델 개발 등 산업 및 연구 분야에서 활용 가능하다.