Keten-van-Trajectoriën: De intrinsieke generatieve optimaliteit van diffusiemodellen ontsluiten via grafentheoretische planning

Chain-of-Trajectories: Unlocking the Intrinsic Generative Optimality of Diffusion Models via Graph-Theoretic Planning

March 16, 2026

Auteurs: Ping Chen, Xiang Liu, Xingpeng Zhang, Fei Shen, Xun Gong, Zhaoxiang Liu, Zezhou Chen, Huan Hu, Kai Wang, Shiguo Lian

cs.AI

Samenvatting

Diffusiemodellen opereren in een reflexieve Systeem 1-modus, beperkt door een vast, inhoudsagnostisch sampling-schema. Deze rigiditeit ontstaat door de vloek van de toestandsdimensionaliteit, waarbij de combinatorische explosie van mogelijke toestanden in de hoogdimensionale ruisvariëteit expliciete trajectplanning onhanteerbaar maakt en leidt tot systematische computationele misallocatie. Om dit aan te pakken, introduceren wij Chain-of-Trajectories (CoTj), een train-vrij kader dat Systeem 2 beraadslagende planning mogelijk maakt. Centraal in CoTj staat Diffusion DNA, een laagdimensionale signatuur die de per-fase denoiseringsmoeilijkheid kwantificeert en dient als proxy voor de hoogdimensionale toestandsruimte, waardoor wij sampling kunnen herformuleren als grafplanning op een gerichte acyclische graaf. Via een Predict-Plan-Execute-paradigma alloceert CoTj dynamisch rekeninspanning aan de meest uitdagende generatieve fasen. Experimenten met meerdere generatieve modellen tonen aan dat CoTj contextbewuste trajecten ontdekt, wat de outputkwaliteit en stabiliteit verbetert en tegelijkertijd redundante berekeningen vermindert. Dit werk legt een nieuwe basis voor resourcebewuste, op planning gebaseerde diffusiemodellering. De code is beschikbaar op https://github.com/UnicomAI/CoTj.

English

Diffusion models operate in a reflexive System 1 mode, constrained by a fixed, content-agnostic sampling schedule. This rigidity arises from the curse of state dimensionality, where the combinatorial explosion of possible states in the high-dimensional noise manifold renders explicit trajectory planning intractable and leads to systematic computational misallocation. To address this, we introduce Chain-of-Trajectories (CoTj), a train-free framework enabling System 2 deliberative planning. Central to CoTj is Diffusion DNA, a low-dimensional signature that quantifies per-stage denoising difficulty and serves as a proxy for the high-dimensional state space, allowing us to reformulate sampling as graph planning on a directed acyclic graph. Through a Predict-Plan-Execute paradigm, CoTj dynamically allocates computational effort to the most challenging generative phases. Experiments across multiple generative models demonstrate that CoTj discovers context-aware trajectories, improving output quality and stability while reducing redundant computation. This work establishes a new foundation for resource-aware, planning-based diffusion modeling. The code is available at https://github.com/UnicomAI/CoTj.