COFFEE：基于编译目标的离散扩散模型前瞻感知引导框架

研究提出即插即用框架 COFFEE，通过将序列依赖与目标分离，避免穷举所有补全路径，解决了离散扩散模型在序列级目标引导下计算量呈指数级增长的难题。该框架无需重新训练扩散模型，即可将全局偏好传递至未解析位置，并同时支持显式硬约束与软目标。在符号、语言和生物学多项基准测试中，COFFEE 展现出强大的可控生成效果。