Цепочка траекторий: раскрытие внутренней генеративной оптимальности диффузионных моделей с помощью графо-теоретического планирования

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

March 16, 2026

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

cs.AI

Аннотация

Диффузионные модели функционируют в рефлекторном режиме Системы 1, ограниченные фиксированным, не зависящим от контента расписанием сэмплирования. Эта ригидность возникает из-за проклятия размерности состояния, когда комбинаторный взрыв возможных состояний в высокоразмерном шумовом многообразии делает явное планирование траектории неразрешимой задачей и приводит к систематическому нерациональному распределению вычислительных ресурсов. Для решения этой проблемы мы представляем Chain-of-Trajectories (CoTj) — не требующий дообучения фреймворк, обеспечивающий обдумывающее планирование Системы 2. Ключевым элементом CoTj является Diffusion DNA — низкоразмерная сигнатура, которая количественно оценивает сложность удаления шума на каждом этапе и служит прокси для высокоразмерного пространства состояний, позволяя переформулировать сэмплирование как задачу планирования на графе, представленном в виде направленного ациклического графа. Используя парадигму «Предсказать-Спланировать-Выполнить», CoTj динамически распределяет вычислительные усилия на наиболее сложные фазы генерации. Эксперименты с различными генеративными моделями демонстрируют, что CoTj обнаруживает контекстно-зависимые траектории, улучшая качество и стабильность выходных данных при одновременном сокращении избыточных вычислений. Данная работа закладывает новую основу для ресурсно-эффективного, основанного на планировании диффузионного моделирования. Код доступен по адресу 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.