这篇论文提出了一种名为 probe guidance 的新方法，用来给 flow matching 模型加引导信号。核心思路很直接：不另起炉灶，而是直接利用现有扩散模型已冻结的内部状态来构造引导信号。

原理上和 autoguidance 类似，但它省掉了推理时的额外前向传递。这既降低了计算成本，也为弱模型和强模型之间共享动态提供了一条可靠路径。作者在连续扩散语言模型上做了验证，结果显示 probe guidance 在无条件生成任务上达到了新的 state-of-the-art。

具体数据方面，他们把方法应用到一个 1.7B 的扩散语言模型上，在多项选择题问答基准上持续获得提升。另一个重要发现来自对传统 autoguidance 设置的剖析：当强模型是弱 checkpoint 时，弱模型必须来自训练中的低熵区域，否则引导效果不成立。这个结论既给出了改进扩散语言模型的实用手段，也揭示了 autoguidance 背后此前并不清楚的机制。

作者包括 Rohit Dilip、Tianrong Chen、Yuyang Wang、David Van Valen、Josh Susskind、Miguel Angel Bautista，其中部分工作完成于 Apple，作者单位还涉及 Caltech。整体来看，这是一项直接推动扩散语言模型落地的研究：它不需要额外的模型前向计算，就能在多个基准上稳定提升表现，同时为理解 autoguidance 提供了新视角。