# مقاله ALoDLM مدل زبانی انتشارِ سازگار با هر توکن را پیشنهاد می‌کند

> پژوهشگران ALoDLM را معرفی کرده‌اند؛ یک مدل زبانی انتشار که محاسبات را برای هر توکن جداگانه تنظیم می‌کند و در بنچمارک‌ها از مدل‌های خودبازگشتی هم‌رده بهتر عمل کرده است.

Oossa · 2026-10-06 · https://oossa.com/fa/alodlm-paper-proposes-token-adaptive-diffusion-language-models

گروهی به سرپرستی Liancheng Fang و Zhuowei Li در مقاله‌ای که Oct 6, 2026 منتشر شد، ALoDLM را معرفی کردند؛ یک مدل زبانی انتشار که میزان محاسبات را بر اساس دشواری پیش‌بینی هر توکن تنظیم می‌کند. این مدل بازنمایی‌های نهفته را به‌صورت تکرارشونده اصلاح می‌کند، توکن‌های ساده را زودتر نهایی می‌کند و برای توکن‌های دشوارتر گام‌های بیشتری برمی‌دارد. ALoDLM با 1.7 میلیارد و 8 میلیارد پارامتر آموزش داده شد و در یازده بنچمارک از همه مدل‌های انتشار آزمایش‌شده و مدل‌های خودبازگشتی هم‌اندازه بهتر عمل کرد؛ ضمن آنکه رمزگشایی موازی سریعی داشت.

## حقایق

- مقاله در Oct 6, 2026 منتشر شد ("Tue Oct 06 2026")
- مدل‌ها با 1.7 B و 8 B پارامتر آموزش داده شدند

## چرا مهم است

اگر این رویکرد قابلیت مقیاس‌پذیری داشته باشد، توسعه‌دهندگان می‌توانند بدون قربانی‌کردن سرعت، متن‌هایی با کیفیت بالاتر تولید کنند؛ موضوعی که به سود کاربردهای نیازمند نگارش سریع و قابل‌اعتماد با هوش مصنوعی است.

## منابع و ارجاع‌ها

1. [ALoDLM: Adaptively Looped Diffusion Language Models](https://arxiv.org/abs/2610.04198) – arXiv, 2026-10-06

آخرین به‌روزرسانی: 2026-10-06