把掩码扩散解码拆成五个轴后，研究者发现状态自适应只在少数可预测状态上值得做，选择性干预让三个模型的整任务宏平均效用分别提升3.2、4.0和5.6个百分点
该工作把掩码扩散语言模型的解码策略拆成 score、cardinality、region、commitment、planning 五个轴，用“策略反转”定义自适应机会（最优候选动作相对验证集选出的固定动作的一步效用优势），在三个模型（LLaDA-8B-Instruct、LLaDA-1.5、Dream-7B）和十个任务上发现自适应机会高度异质，并据此提出选择性自适应：用验证提示校准的轻量检测器识别高机会状态，例如在 LLaDA-8B 的 Constrained JSON Fill 上只对排名前 10% 的状态做 region 自适应即可捕获 56.9% 的候选集 oracle 机会，端到端选择性解码把任务宏平均效用从 0.392