纳什解码

【背景】掩码语言模型（MLM）通常需微调才能用于生成任务，而自回归模型（如GPT系列）虽能直接生成但存在单向依赖局限。2026年10月，一项名为“纳什解码”（Nash Decoding）的新研究声称通过博弈论框架打破了这一僵局。

该研究提出将文本修订视为博弈过程：Token位置为玩家，词汇为动作，效用函数为对数条件概率。算法能在 $O(1/\varepsilon)$ 时间内达到 $\varepsilon$-纳什均衡。实验显示，在CLAPNQ、PubMedQA等问答基准上，经纳什解码的掩码模型F1和ROUGE得分超越了体积大18倍的自回归模型，且无需微调。

然而，这一结论与近期关于掩码扩散模型（MDLM）的研究形成张力。2026年7月的ACL论文指出，并行概率建模会削弱Token间的依赖性，导致MDLM在推理和编程任务上仍落后于同规模自回归模型。纳什解码的优势在于利用全局信息修正局部错误，代价是显著增加测试时计算量；而传统观点认为这种算力开销可能抵消小模型的效率优势。目前尚无定论表明纳什解码能否在大规模通用生成任务中复现问答场景的优势，关键在于其是否能在保持并行性的同时有效恢复被削弱的序列依赖关系。