arXiv cs.AI· Xiaolong Xu, Hao Jiang, Bo Jiang, Zhiwen Deng, Ningyuan Sun, Bingzhou Chen, Jin Chen, Chenxing Wei·· 3 天前AI 评分31
Diff Diffusion：用扩散模型预测编辑路径实现高效代码编辑
Diff Diffusion: Predicting Edit Paths with Diffusion Models for Efficient Code Editing
AI 导读
Diff Diffusion 是一个受扩散模型启发的 LLM 框架，将去噪过程表示为结构化编辑操作，从原始代码片段预测到修改后形式的编辑路径，从而把计算集中在改动区域。
正文 · AI 翻译
摘要：扩散大语言模型（dLLM）在代码生成方面颇具吸引力，因为它们可以并行更新许多 token，但许多模型是针对序列合成而非编辑预测进行优化的。这一设定与现代 AI 辅助 IDE 匹配不佳，因为编辑预测必须从最近的编辑、当前文件和光标局部上下文中推断出下一处代码更改。此类更改通常稀疏，并保留大部分源 token，因此重新生成整个代码片段会浪费计算。我们提出 Diff Diffusion，一种受扩散启发的代码编辑 LLM 框架，用于预测从原始代码片段到其修订形式之间的编辑路径。Diff Diffusion 将去噪表示为结构化编辑操作，并将这一表述与多阶段训练和高效并行解码相结合。通过将计算集中在更改区域，Diff Diffusion 支持准确的低延迟编辑和多位置并行修改。在公开的编辑补全基准、编辑预测评估和在线验证中，Diff Diffusion 与自回归基线持平或领先，同时在公开编辑补全基准上实现 2.78 倍的推理加速，并在生产环境中将 P50 模型延迟降低 39.0%。这项工作为需要高精度和低延迟的 AI 应用提供了新的建模视角。
| 评论： | 15 页，3 幅图，6 张表。被 NeurIPS 2026 扩散语言模型研讨会：基础、效率与推理接收 |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.17831 [cs.SE] |
| （或本版本使用 arXiv:2610.17831v1 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2610.17831 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Hao Jiang [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 06:49:52 UTC（1,387 KB）
来源：arXiv cs.AI · arxiv.org