UGC 依資料依賴配置遮罩擴散步數，理論上可取得近似 oracle 的 KL 保證

遮罩擴散模型從全遮罩序列出發，反覆預測並揭露離散位置；實務上通常預先選定均勻、線性或 cosine 類排程。然而不同資料分布的依賴結構，可能在揭露初期、中段或末段才突然顯現，固定排程因而把相同運算量花在難度不同的區域。MIT 的新研究提出 unmasking growth complexity（UGC），以揭露路徑上的加權資訊曲率，直接界定每一段造成的 KL 離散化誤差。

作者把時間改寫成 log-reveal-odds，也就是 `log(t/(1-t))`；在這個座標中，UGC 密度高的區域使用較小步長，密度低處則快速跨過。由於局部 UGC 可透過耦合揭露軌跡之間的 KL 增量估計，排程不必預先知道真實資料分布。論文據此建立單區塊與多區塊程序：在假設成立時，取樣器能以高機率達到指定 KL 誤差，迭代複雜度落在知道完整 UGC 路徑之 oracle 的常數倍內。細分極限下，`∫sqrt(q(λ))dλ` 的平方決定最佳 Euler 誤差；構造例顯示，少量自適應區塊相對粗排程可得到隨維度成長、最高達漸近 `Ω̃(√d)` 的改善。

這提供了一條把「noise schedule 調參」改成資料驅動資源配置的理論路線，適用範圍也不只文字，還包括離散影像、影片與蛋白質生成。但目前成果主要是定理與合成分布例子，沒有大型 MDLM 的品質、延遲或估計成本測試。最強證書還假設可取得 Bayes denoiser及 KL 增量的矩控制；換成學習式 denoiser 會多出近似誤差，而且最優性只針對 frozen-posterior Euler 類程序。下一步要看 UGC 估計開銷能否低於省下的 denoising pass，以及它在 MDLM 等公開實作上是否勝過現有 confidence 或 cosine 排程。