Los Modelos de Lenguaje de Difusión Enmascarada (MDLM) prometen una generación de texto rápida y no autorregresiva, pero los muestreadores existentes reducen los comportamientos autorregresivos a lentos al ignorar las interacciones al desenmascarar múltiples posiciones en paralelo, según el nivel de confianza del modelo. En este artículo, proponemos un planificador de desenmascaramiento diluido (DUS). DUS divide las posiciones de secuencia en grupos diluidos no adyacentes de forma puramente inferencial, sin necesidad de un modelo planificador, y los desenmascara en paralelo para minimizar un límite superior en la ganancia de entropía conjunta en cada paso de denoising. Al hacer explícito el equilibrio entre el número de llamadas de red y la calidad de la generación, DUS recupera la mayor parte del rendimiento perdido con las estrategias de desenmascaramiento en paralelo existentes. En matemáticas (GSM8K, MATH500), código (HumanEval, MBPP) y referencias de conocimiento general (BBH, MMLU-Pro), DUS supera a los planificadores basados en la confianza sin modificar el denoiser subyacente, lo que demuestra la verdadera frontera entre velocidad y calidad de MDLM.
