ST-Veto：基于泰勒预测与视觉定位的扩散多模态大模型时空 Token 否决机制

视觉语言模型虽具备强推理能力，但存在序列生成成本高、错误累积及自纠正受限等问题。扩散多模态大模型虽支持无序生成与迭代优化，但其推理增强方法尚待探索。本文提出无需训练的 ST-Veto 方法，利用扩散步骤中全 token 位置可观测特性，通过二阶泰勒预测置信度动态否决时序不稳定 token，并结合图像注意力质量过滤弱 grounding token，替换为更安全候选项。实验表明，该方法在多个基准上显著优于标准解码策略，准确率最高提升 9%，且无额外训练或生成成本。