확산 기반 대형 언어 모델(dLLM)은 반복적인 디노이징을 통해 토큰 생성을 개선하지만, 모든 단계가 완료되기 전에 답변이 안정화되는 경우가 많습니다. 본 논문은 훈련 시의 추론에 비해 충분한 추론 안정성이 감지되면 디노이징을 적응적으로 중단하는 추론 시간 기준인 EDIT (Early Diffusion Inference Termination)를 제안합니다. EDIT는 토큰 활성화와, 지도 학습 미세 조정 (SFT) 동안 포착된 AdamW-집계 LoRA 업데이트에서 파생된 추론 맵 간의 정렬을 모니터링합니다. 훈련 중 최적화 역학은 이전 방법에서 일반적으로 모델 출시 시 폐기되는 매개변수 중요성에 대한 풍부한 메타데이터를 생성합니다. 우리는 이 정보를 학습된 추론 경로의 압축된 표현으로 보존합니다. 추론 중에는 정렬 점수가 현재 디노이징 단계에서 이미 unmasked된 토큰에 대한 분포로 변환되고, 연속 단계 간의 KL 발산이 일치하는 unmasked (visible) 토큰에 대해 임계값 이하로 떨어지면 수렴이 감지됩니다. 추론 벤치마크 전반에서 EDIT는 정확성을 유지하거나 대부분의 설정에서 개선하면서 확산 단계를 11.8%에서 68.3%까지 줄이며, 약 0.02%의 저장 공간 오버헤드(8GB 모델의 32개 블록 전체 QKV 모듈에 대해 약 1.5-2MB)가 발생합니다. 훈련-경사 역학을 활용함으로써 본 연구는 dLLM 추론 시간 및 비용을 줄이기 위한 새로운 연구 방향을 제시합니다.
