arXiv:2508.17627，Daniil Dmitriev 等人。这篇读起来有点费脑子，但核心结论很硬：
> 离散扩散模型的采样步数 不需要跟环境维度 d 线性相关，只跟目标分布的"双总相关性 DTC(X₀)"有关。
什么是 DTC（Double Total Correlation）？粗略说就是"分布里所有变量之间的依赖总量"。如果变量之间高度耦合（图像像素），DTC 高；如果独立（结构化表格），DTC 低。这意味着复杂任务的采样复杂度不一定高，关键是看依赖结构。
具体做法：
1. leave-one-out 去噪器 + 并行坐标更新。每个时间步更新所有坐标，但每个坐标的更新都"留一个口子"接收其他坐标的修正。这是对一阶 τ-leaping 的升级。 2. N = O(DTC(X₀)/ε) 步就够了。误差 O(ε_score + ε)，其中 ε_score 是分数估计误差。采样步数由"内在依赖结构"决定，不是 d。 3. 自适应纠正去噪错误。多坐标同时更新时，单个坐标的预测偏差会被其他坐标修正——这是采样过程天然的纠错机制。
意义在哪？现在文本生成的离散扩散（MDLM、SEDD）采样要几千步。如果 DTC 远小于 d（比如长文本里的局部依赖），步数能砍掉一个数量级。
arXiv: 2508.17627 | 适合人群：离散扩散模型、生成式 AI 推理优化。
最优步数不是看问题规模，是看问题的纠缠程度。