# ICML 2026 论文：PRISM 框架让扩散语言模型做推理时扩展不再烧算力

> 原标题：ICML 2026｜拒绝大力出奇迹，PRISM框架让dLLM也能高效Test-Time Scaling

- 来源：机器之心 · 公众号
- 发布时间：2026-05-11T04:09:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/17716
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651032226&idx=2&sn=772b44d2bf16aac0a694b87df0a929e2

## 摘要

这篇 ICML 2026 的论文给扩散语言模型（dLLM）提出了一套叫 PRISM 的推理时扩展方法。它把搜索过程拆成三层：先让模型并行生成多条推理路径，再对每条路径局部“回退重写”不靠谱的步骤，最后用模型自己当裁判打分筛选。在数学题集 GSM8K 上，LLaDA-8B-Instruct 的准确率从 67.58% 拉到了 85.30%。

## 推荐理由

ICML 2026 论文提出 PRISM 框架，用并行生成、局部回退重写和自评分筛选三层搜索做推理时扩展，在 GSM8K 上把 LLaDA-8B-Instruct 准确率从 67.58% 提到 85.30%。

## 锐评

GSM8K 上从 67.58% 到 85.30%，这个提升放在 8B 的小模型上确实够看。PRISM 把搜索复杂度从 O(NT) 压到接近 O(N+KT)，局部 remasking 加自验证，用搜索结构换算力，比硬堆采样次数划算。预算有限又想压榨小模型推理能力的，这个方向值得跟。

只有 LLaDA-8B-Instruct 一个模型、GSM8K 一个数据集，泛化性还不好说。数学题集上的自验证本来就容易做，换到代码或开放域推理，模型自己当裁判那层可能先崩。
