压缩式短文本生成中的质量断裂点：分阶段瓶颈归因 Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization
用分阶段验证协议定位压缩短文本生成瓶颈，发现编解码器而非生成器决定质量上限
前置知识
层级向量量化编解码器 (Hierarchical VQ-VAE-2)
VQ-VAE-2 是一种层级化的离散表征学习方法：编码器把长 token 序列映射为连续潜变量，再通过最近邻查找量化到一组可学习的离散码本向量（codebook）上，解码器再从离散码重建原序列。层级结构通常分 top 层和 down 层，top 层捕获粗粒度全局结构，down 层补充细节。本文中 64 个 GPT-2 token 先压成 32 再压成 16 个 top-level 离散码，码本大小为 512（top 与 down 各一）。压缩比越激进，重建保真度越脆弱，因为即使极小的重建误差也可能改变语义、语法或局部事实。
本文核心结论就是 codec 重建是主要质量瓶颈，理解 VQ-VAE-2 的量化与码本机制，才能看懂为什么 codebook 健康不代表语义保真。
掩码离散扩散生成器 (MDLM)
MDLM (Masked Diffusion Language Model) 是一种非自回归的离散序列生成方法：把目标码序列中的部分位置替换为 [MASK] 标记，模型逐步预测并填充被掩码的位置，在吸收态 (absorbing-state) 离散扩散过程中迭代地去噪。相比自回归逐 token 解码，MDLM 支持并行解码、降低有效类别负担。本文用 SUBS 参数化的 MDLM 在码空间（code space）或 token 空间（token space）两种模式下运行：码空间模式下先在 16 个离散码上扩散，再用 codec 解码回文本；token 空间模式直接在 64 个 token 上扩散。
论文比较 AR、token 空间 MDLM、code 空间 MDLM 三种生成方式，理解 MDLM 的工作原理才能看懂为什么 code 空间优于 token 空间但又被 codec 限制。
分阶段验证协议 (Staged Validation Protocol)
这是一种诊断而非优化的方法论：用一个共享的外部 GPT-2 评分器，对原始文本、codec 重建文本、生成文本分别评估困惑度 (perplexity)，从而把质量损失拆解到不同阶段。第一阶段用配对重建 (paired reconstruction) 隔离 codec 在生成开始前丢了多少信息；第二阶段在同一评分器下比较不同生成器，区分表征损失 (representational loss) 与生成损失 (generation loss)；第三阶段才解读几何正则化等辅助潜空间诊断。每个阶段用同一指标保证可比性，并强调尾部统计 (p95/max) 而非只看均值。
这是论文的灵魂贡献——不是提出新算法，而是提供一套可复用的归因流程。理解它才能抓住文章'方法学诊断'而非'刷榜'的定位。
码本崩塌与健康诊断 (Codebook Collapse & Diagnostics)
离散潜空间系统常见故障是码本崩塌：只有少数码被激活使用，大部分码'死掉'，表征能力下降。常用健康指标包括活跃码数 (active codes)、支撑集大小 (support size)、使用困惑度 (usage perplexity) 以及训练分布与生成分布的 KL 散度 $D_{KL}(p_{train}\|p_{gen})$。但这些指标只能排除平凡崩塌，无法证明语义保真——一个被充分利用的码本仍可能编码出难以解码回语义忠实文本的表征。本文正是用这点反驳'码本健康就够了'的直觉。
论文证明码本完全健康（512/512 全活跃）时重建质量仍极差，读者必须理解健康诊断的局限才能领会这一反直觉结论。
研究动机
压缩式短文本生成的两阶段流水线（先由 codec 把 GPT-2 token 序列压缩成短离散码，再由潜空间生成器如 MDLM 生成码并用 codec 解码回文本）存在一个根本却常被忽视的问题：质量可能在两个不同位置断裂。第一种是 codec 在压缩时丢弃信息——例如把 64 个 token 压成 16 个 top-level 码时，语义、语法或局部事实可能在量化步骤中损失；第二种是潜空间生成器生成了错误的码序列。如果研究者不把这两种失效模式分离，就很容易把算力花在改进错误的组件上：例如反复调参生成器或堆叠各种潜空间正则化，而真正的瓶颈其实是 codec 重建保真度。文章指出压缩潜空间管线对短文本任务很有吸引力——能缩短建模序列长度、支持并行解码、降低相对 token 空间生成的有效类别负担——但这些工程优势只有在主瓶颈被正确识别后才有意义。具体到本案例，64-to-16 的激进压缩使得任何微小重建误差都会改变文本含义，使得'瓶颈定位'成为一个紧迫的工程问题。
本文的目标是本文的目标不是提出新的训练算法或刷排行榜，而是为压缩式短文本生成建立一套可复用的分阶段验证协议，在一个受控的具体系统（层级 VQ-VAE-2 codec + MDLM 生成器，在 TinyStories 上做 64-to-16 压缩）下，明确回答'哪个阶段设定了实际的质量天花板'这一归因问题。具体而言，作者希望用同一个共享外部评分器，把质量损失显式拆解为：codec 重建损失、生成损失和辅助潜空间诊断三类，让每个工程改动都能被准确归因。最终目标是把这套诊断流程提炼为可推广的报告清单 (reporting checklist) 和晋升门控 (promotion gate)，让后续迭代时只要 codec 没通过重建门控就不必浪费算力去重训生成器，从而把研发预算对齐到真正有价值的组件上。
与已有工作不同的是，现有工作的空白在于：大量压缩潜空间文本生成研究只报告端到端的单一平均指标（如 BLEU、困惑度均值），把 codec 损失和生成损失混在一起，导致无法判断改进究竟来自哪个阶段；同时存在一个流行但未经验证的直觉——只要码本使用健康（活跃码数高、使用困惑度合理）就说明表征没问题。本文的独特切入角度是'配对式分阶段诊断'：对每条源文本都生成其 codec 重建样本，让稀有失败可见（而非被均值掩盖），并在同一 GPT-2 评分器下对原始文本、重建文本、生成文本三方对比。这种做法把问题从'谁更好'转变为'损失在哪一步产生'，从而把一篇诊断文章而非算法文章的价值最大化。
核心方法
整体思路是先建立直觉再走技术路线。直觉层面：把整条管线看成四次变换——64 token 序列经 codec 压成 16 码 → MDLM 在码空间预测/精修这 16 码 → codec 解码器把码展开回 64 token → 外部评分器评估。既然每个阶段都可能以不同方式失效，就应分阶段测量而非只看终端数字。技术路线是'三阶段验证 + 一个共享锚点指标'：选外部 GPT-2 困惑度作为可跨阶段一致应用的主指标（原始文本、重建文本、生成文本都跑同一套评分），同时报告 SBERT 相似度、BERTScore、MAUVE、LLM-judge 等互补的语义指标用于几何研究。第一阶段做配对 codec 重建（256 个配对样本），隔离 codec 在生成开始前丢了多少；第二阶段在共享评分器下比较 AR 基线、token 空间 MDLM、code 空间 MDLM（每种 251–256 个样本），区分表征损失与生成损失；第三阶段只在前面两步之后解读几何感知正则化实验，因为几何是次要正则项而非主目标。系统配置明确固定为 TinyStories 数据集、GPT-2 分词器、64 token 输入、64→32→16 时序压缩、16 码 top 层、512/512 码本、SUBS 参数化 MDLM。
核心创新点与已有方法的本质区别在于'归因优先于优化'。传统压缩文本生成研究追求端到端提升或更高 leaderboard 分数；而本文刻意把单次实验改造成一个诊断剖面：通过配对重建表，让 codec 在生成尚未开始时就被单独评分。这带来两个反直觉的能力——其一，能区分'表征损失'（codec 把信息丢了）和'生成损失'（生成器没造出好码），而这两者用单一端到端指标根本无法区分；其二，能用码本健康统计（活跃码、使用困惑度）排除平凡崩塌后，再去追问语义保真，从而打破'码本健康=表征好'的错觉。这种'健康门控 + 重建门控 + 文本级门控'的三层晋升逻辑，是本文相对已有工作的本质区别。
方法步骤详情
方法步骤完整描述如下。第 0 步（系统搭建）：在 TinyStories 上用 GPT-2 分词器取 64 token 序列，训练层级 VQ-VAE-2 codec 完成 64→32→16 压缩，top 层与 down 层码本各 512，再训练 SUBS 参数化的 MDLM 在吸收态离散扩散下生成 16 个 top-level 码，生成码经 codec 解码回 64 token 文本。第 1 步（配对 codec 重建）：对 256 个源文本，用 codec 直接编码-解码得到重建文本，再用外部 GPT-2 评分器同时评原始与重建，输出配对困惑度表，输入是原始文本，输出是 (原始 PPL, 重建 PPL) 配对统计。第 2 步（生成器比较）：在同一评分器下分别跑 AR 基线、token 空间 MDLM、code 空间 MDLM，每种 251–256 样本，输出三方对比表，输入是生成配置，输出是 (均值, 中位数, p95) 困惑度。第 3 步（码本诊断）：计算活跃码数、支撑集大小、使用困惑度、$D_{KL}(p_{train}\|p_{gen})$，用于排除崩塌。第 4 步（中位差距分解）：以原始文本中位 PPL 为参考点，把每个评估点表示为 $\Delta$ 中位 PPL 和相对百分比变化。第 5 步（几何实验）：在 16 码与 8 码两种设置下，比较基线与几何感知 codec，输出码级语义误差距离 SED、geohit@5、SBERT、Judge、MAUVE，以及 token 级 BERT-F1、SBERT、Judge、MAUVE，检验潜空间代理改善是否传递到解码文本。
技术新颖性
技术新颖性体现在三方面。第一，方法论新颖：把'诊断协议'本身作为可复用产物，提供 reusable reporting checklist 与 promotion gate，明确区分 codec 门、生成器门、诊断门三层晋升逻辑——这在追求 SOTA 的文本生成文献中很少见。第二，评估新颖：坚持用单一共享外部 GPT-2 评分器贯穿原始、重建、生成三阶段保证可比性，并强调尾部统计 (p95/max) 而非仅均值，因为压缩系统的稀有失败往往比平均损失更致命。第三，结果新颖：证明了一个有力的反直觉结论——code 空间生成相对 token 空间扩散有实质优势（中位 PPL 降 30.9%），但主导质量损失早在 codec 重建时就已引入，几何正则化改善局部潜代理却不改善解码文本，属于有价值的'负面结果'。这套方法学可迁移到其他离散潜空间系统。
实验结果
核心发现可逐一分析四个实验。其一，codec 重建瓶颈（Table III）：原始文本均值 PPL 16.24、中位 15.17、p95 25.10、max 35.65；codec 重建后均值升至 37.26、中位 27.36（+80.4%）、p95 飙至 98.91（+294.1%）、max 105.59。这说明 codec 在生成尚未开始时就引入了主导性质量损失，且尾部恶化远甚于中心趋势。其二，码本诊断（Table IV）：top 与 down 码本均 512 活跃码全开，生成 top 也有 508 活跃码，支撑集 512，使用困惑度 top 478.21、down 472.51、生成 top 414.43，$D_{KL}(p_{train}\|p_{gen})=0.0175$。码本完全健康却重建极差，直接否定了'码本健康=语义保真'的直觉。其三，生成器比较（Table V）：AR 基线中位 23.27、均值 30.98、p95 56.11；token 空间 MDLM 最差，中位 38.42、均值 44.74、p95 93.60；code 空间 MDLM 中位 26.55、均值 30.01、p95 59.36，相对 token 空间 MDLM 中位降 30.9%、均值降 32.9%、p95 降 36.6%。code 空间明显优于 token 空间但仍低于 AR 参照。其四，中位差距分解（Table VI）：原始 15.17，codec 重建 27.36（$\Delta+12.19$，+80.4%），code 空间 MDLM 输出 26.55（$\Delta+11.38$，+75.0%），token 空间 MDLM 输出 38.42（$\Delta+23.25$，+153.3%）。可见大部分可见质量下降早在生成器介入前就已产生。其五，几何实验（Tables VII–VIII）：16 码设置下 SED 改善 $-0.141$、geohit@5 $+0.023$，但 SBERT 反而 $-0.0056$、Judge $-0.335$、MAUVE 变化可忽略；token 级 BERT-F1 $-0.005$、SBERT $-0.008$、Judge $-0.097$。结论是几何正则化只改善局部潜代理而不改善解码文本，是有价值的负面结果。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| codec 配对重建保真度 | 外部 GPT-2 中位困惑度 | 27.36（原始 15.17） | 原始 TinyStories 文本 15.17 | 退化 +80.4%（瓶颈所在） |
| 生成器比较（code 空间 vs token 空间） | 外部 GPT-2 中位困惑度 | code 空间 MDLM 26.55 | token 空间 MDLM 38.42 | 中位降 30.9%、均值降 32.9%、p95 降 36.6% |
| 生成器比较（相对 AR 参照） | 外部 GPT-2 中位困惑度 | code 空间 MDLM 26.55 | AR 基线 23.27 | 仍有 +3.28 差距（受 codec 限制） |
| 几何正则化（潜代理 vs 解码文本） | 码级 SED / token 级 LLM-judge | SED $-0.141$（改善）但 Judge $-0.335$（恶化） | 基线 codec | 潜代理改善，解码文本无收益（负面结果） |
局限与改进
作者明确承认的局限来自受控案例研究框架：证据仅来自单一数据集（TinyStories）、单一压缩体制（64-to-16）、单一 codec 家族（VQ-VAE-2）、单一生成器类型（MDLM），且所有比较基于单次运行 (single run)，应作为描述性证据而非多种子显著性检验来解读，因此不足以推广到所有层级潜空间文本生成器。作者也指出几何证据缺乏多种子复算，slight 文本级退化可能是噪声也可能是稳定负结果，需要有限种子扫描来澄清。我自己进一步观察到三点：第一，外部 GPT-2 困惑度本身只是'一致性诊断'而非通用语义指标，对叙事连贯性、事实性等维度不敏感，可能漏判某些 codec 失效模式；第二，p95/max 等尾部统计依赖人工判定'灾难性失败'，缺乏自动化的失败类型自动分类（Table X 的 taxonomy 仍是经验描述）；第三，64-to-16 的极端压缩比可能放大 codec 瓶颈，若更温和的压缩（如 64-to-32）下结论是否一致未在本文验证，限制了'codec 是天花板'结论的普适性。
独立分析的弱点
独立分析的弱点与改进方向如下。弱点一：codec 重建是主瓶颈但本文未提出改进 codec 的具体算法——只做了诊断。改进方向是设计解码器感知的 codec 损失，例如把外部 GPT-2 评分作为可微奖励直接注入 VQ-VAE-2 训练，或引入语义保真正则项缩小 $\Delta$ 中位 PPL 的 12.19 差距。弱点二：几何正则化改善了潜代理却没改善文本，说明局部邻域度量（SED、geohit@5）与端文本质量之间存在'表征—解码'鸿沟。改进方向是构建更解码器感知的几何目标，让潜空间代理在训练时直接耦合解码后的文本级损失，作者本人也把这点列为第三优先实验。弱点三：所有比较为单次运行无种子误差棒，几何负结果可能是噪声。改进方向是做有限多种子扫描以判定 slight 退化是否稳定。弱点四：失败分类（Table X）仍靠人工目检，难以规模化。改进方向是用更强的 LLM-judge 自动把样本归类为近忠实复述/细节丢失/语义漂移/灾难尾部，并跟踪 codec 升级后样本跨类迁移情况。弱点五：仅在极端 64-to-16 压缩下验证，结论对温和压缩的适用性未知。改进方向是扫多个压缩比（64→32、64→24）复现分阶段协议，确认 codec 天花板结论的稳健性。
未来方向
作者明确提出的未来工作很窄且按优先级排序：第一优先是 codec-only 的训练修订，针对同一配对重建协议下的语义保真，目标缩小中位 PPL 的 12.19 差距；第二优先是在 codec 改进后重做 code 空间生成比较；第三优先是更解码器感知的几何目标，仅在 codec 差距缩小后才启动。作者还建议对几何运行做小规模多种子检查，以判定 slight 文本级退化是稳定负结果还是噪声。基于成果可延伸的方向包括：把分阶段验证协议迁移到更长文本（如段落级）和更强 codec 家族（如基于 Transformer 的 tokenizers）以测试方法学普适性；用更强的外部评分器（如大模型 perplexity 或事实性判别器）替换 GPT-2 以覆盖困惑度无法捕获的语义维度；把 Table X 的失败 taxonomy 自动化并接入持续学习的 codec 检查点门控，形成 CI/CD 式的 codec 回归测试；探索 code 空间生成在受约束环境（边缘设备、低延迟短文本）下的工程价值，因为 16 码相对 64 token 的序列缩短可简化批处理并降低每步类别复杂度。
复现评估
复现评估整体良好且作者刻意强调可审计性。文章基于公开仓库产物 (repository artifacts) 而非全新训练：主要证据来自已发布的 checkpoint、配对重建输出、生成日志、以及由同一评估脚本导出的汇总表，使所有声明可追溯到具体文件。复现可分阶段推进——读者可先验证配对 codec 重建统计（Table III），再检查生成器比较（Table V），最后才审视几何运行，这种分阶段组织镜像了论文逻辑。配置全部明确：数据集 TinyStories、GPT-2 分词器、64 token 输入、层级 VQ-VAE-2、64→32→16 压缩、16 码 top 层、512/512 码本、SUBS 参数化 MDLM、外部 GPT-2 主评分器加 SBERT/BERTScore/MAUVE/LLM-judge 互补指标。算力门槛中等：TinyStories 是小数据集，VQ-VAE-2 与 MDLM 规模适中，主要成本在多次评估而非训练。难度方面，方法学协议清晰、有 reporting checklist 与 promotion gate（Table XII），但实现细节（如几何感知正则化的具体损失形式、SUBS 参数化）未在正文完全展开，需要参照代码仓库。整体属于'协议可复用、数字可复核'的高可复现工作，唯一的复现风险是单次运行的随机性。
论文图表
该表列出测试配置：数据集 TinyStories、GPT-2 分词器、64 token 输入长度、层级 VQ-VAE-2 codec、64→32→16 时序压缩、16 码 top 层、512（top）与 512（down）码本、MDLM 配 SUBS 参数化生成器、外部 GPT-2 困惑度为主评分器、附加几何感知正则化为几何变体。
该表把全文实验的'受控案例'边界定义清楚——所有数字都基于这套固定配置，理解它才能判断结论的可推广范围与局限。
该表列出三类产物族：配对 codec 重建（约 256 个配对样本，回答'生成前丢了多少语义保真'）、生成日志（每种模式 251–256 样本，回答'AR、token 空间 MDLM、code 空间 MDLM 在同一评分器下如何对比'）、几何报告（4 个配对设置，回答'潜代理改善是否传递到解码文本质量'）。
该表把方法学的三阶段对应到具体产物与具体问题，是理解分阶段协议如何落地为可审计证据的关键。
该表是论文的中心经验结果：原始文本均值 PPL 16.24、中位 15.17、p95 25.10、max 35.65；codec 重建后均值 37.26、中位 27.36（+80.4%）、p95 98.91（+294.1%）、max 105.59。仅重建就让中位升 80.4%、尾部升近三倍，证明 codec 是主导质量瓶颈。
这是全文最关键的证据——codec 在生成尚未开始时就引入主导性损失，直接支持'codec 决定质量上限'的核心论断。读者必看。
该表给出健康诊断：top 与 down 码本均 512 活跃码全开，生成 top 508 活跃码、支撑集 512，使用困惑度 top 478.21、down 472.51、生成 top 414.43，$D_{KL}(p_{train}\|p_{gen})=0.0175$。码本完全健康，与 Table III 的极差重建形成鲜明对比。
该表是反直觉结论的关键——码本没有崩塌却重建很差，证明'码本健康≠语义保真'，破除了常见的诊断错觉。
该表比较三种生成模式：AR 基线 count 251、均值 30.98、中位 23.27、p95 56.11；token 空间 MDLM count 256、均值 44.74、中位 38.42、p95 93.60（最差）；code 空间 MDLM count 256、均值 30.01、中位 26.55、p95 59.36（居中）。code 空间相对 token 空间中位降 30.9%、均值降 32.9%、p95 降 36.6%。
该表证明 code 空间生成优于 token 空间扩散，支持'压缩潜路径仍有工程价值'，但 code 空间仍低于 AR 参照，说明生成器受 codec 限制。
该表以原始文本中位 PPL 15.17 为参照点分解各阶段差距：codec 重建 27.36（$\Delta+12.19$，+80.4%），code 空间 MDLM 输出 26.55（$\Delta+11.38$，+75.0%），token 空间 MDLM 输出 38.42（$\Delta+23.25$，+153.3%）。
该表把 Table III 与 Table V 的发现合成单一工程图景——大部分可见质量下降早在生成器介入前就已产生，code 空间 MDLM 更接近 codec 重建而非 token 空间，说明生成器已榨干压缩表征的大部分价值。
该表对比基线与几何感知 codec 的码级指标：16 码设置下 $\Delta$SED $-0.141$（改善）、$\Delta$geohit@5 $+0.023$（改善）、$\Delta$SBERT $-0.0056$、$\Delta$Judge $-0.335$、$\Delta$MAUVE $-0.0017$；8 码设置下 $\Delta$SED $-0.329$、$\Delta$geohit@5 $+0.019$、$\Delta$SBERT $-0.0332$、$\Delta$Judge $-0.325$、$\Delta$MAUVE $+0.0009$。
该表展示几何正则化的核心张力——潜代理（SED、geohit@5）改善但文本级指标（SBERT、Judge）恶化，是理解'有价值的负面结果'的直接证据。
该表给出解码文本级指标：16 码设置下 $\Delta$BERT-F1 $-0.005$、$\Delta$SBERT $-0.008$、$\Delta$Judge $-0.097$、$\Delta$MAUVE $-0.0002$；8 码设置下 $\Delta$BERT-F1 $-0.008$、$\Delta$SBERT $-0.012$、$\Delta$Judge $-0.118$、$\Delta$MAUVE $+0.0000$。所有文本级指标持平或略降。
该表与 Table VII 配对，证实潜代理改善没有传递到解码文本，强化了几何正则化作为'表征塑造工具而非质量提升机制'的定位。
该表把不同指标族对照为'能回答什么/不能回答什么'：外部 PPL 回答共享评分器下的端文本质量，但不答码本是否健康；尾部 PPL 回答可靠性与脆弱失败，但不答潜邻域是否更干净；使用/支撑大小回答崩塌与覆盖，但不答语义是否保留；潜几何代理回答局部码空间结构，但不答解码文本是否改善。
该表是方法学教导的精华——明确每个指标的能力边界，防止读者过度解读单一指标，是分阶段诊断协议的方法论核心。
该表把失败分为四类并配严重度与首选诊断：近忠实复述（wording 变但核心事件保留，低严重度，用配对语义相似度诊断）；细节丢失（topic 保留但关键关系省略，中等严重度，用配对重建审查）；语义漂移（流畅但含义明显偏移，高严重度，用外部 PPL 加语义判别器）；灾难尾部失败（流畅性差或叙事逻辑断裂，极高严重度，用尾部分位数加人工目检）。
该表把分阶段诊断结论转译为开发者友好的形式——若 codec 把样本从近忠实推入语义漂移或灾难尾部，任何下游生成器都无法补偿，这是 codec 设定天花板的另一证明。
该表把分阶段晋升逻辑凝练为清单：codec 阶段必须报告配对外部 PPL 的中位与 p95，门控问题是'重建是否改善'，晋升条件是中心趋势与尾部同时改善或稳定；生成器阶段报告 AR/token/code 三方 PPL，门控问题是'code 空间是否仍是非 AR 最优路径'；诊断阶段报告使用、支撑、$D_{KL}$、潜代理，门控问题是'质量为何变化'，要求诊断能解释文本级变化而非取代之。
该表是本文方法学贡献的浓缩产物——把诊断流程工具化为可复用门控，让后续迭代不必浪费算力去重训生成器，体现'归因优先'的工程价值。
该表给出组件级路线图：codec 是主瓶颈，最高价值下一步是在改生成器前先改善语义重建；token 空间 MDLM 是弱参照，主要用作下界基线而非主路径；code 空间 MDLM 操作上有效，应在 codec 改进后保留并重评；几何正则化是次要且有混合结果，仅当下游文本指标开始移动时才保留；评估管线已具信息量，应为未来运行保留分阶段协议。
该表把诊断结论直接转化为研发预算分配，是论文'方法学而非算法'定位下最具实践价值的输出，指导读者如何按证据优先级投入算力。
该表按使用场景给出适用性与建议行动：短文本+中等质量容忍（适用性中等，用 code 空间路径但需先过配对重建检查）；短文本+严格保真要求（适用性低，偏好自回归基线）；研究迭代潜方法（适用性高，用分阶段协议及早定位失败）；token 空间扩散基线研究（适用性高，主要作为下界参照点保留）。
该表把研究结论落地为部署决策，帮助工程团队判断在什么条件下应选 code 空间 MDLM、何时应回退到 AR 基线，体现诊断对项目规划的实际价值。