DiffPDE：作为 PDE 求解器的掩码扩散语言模型

现有的偏微分方程（PDE）求解器合成方法主要依赖自回归模型，但其全局从左到右的解码方式在处理本质上局部化的错误时会带来大量冗余。在这项工作中，我们挑战这种低效范式，提出 DiffPDE，一个利用离散扩散语言模型进行定向代码修复的框架。通过引入局部重新掩码和补全策略，DiffPDE 仅重生成错误区域，同时保留正确上下文，从而自然地使生成过程与 PDE 错误的稀疏特性相一致。此外，为了处理需要顺序干预的耦合错误，我们提出 Iterative Debugging GRPO（ID-GRPO），这是一种强化学习方案，通过中间奖励使单条轨迹内实现多轮调试。在 PDEBench 上的实验表明，DiffPDE 达到了具有竞争力的准确率，优于相同规模的 AR 模型，并显著加速了修复。