数独是约束满足问题中的典型代表：在严格的离散约束下，解题者必须进行全局性的结构推理。长期以来，求解数独主要依赖两条主线——传统启发式方法与深度学习求解器。然而，这两类方法各自存在互补的局限：基于学习的求解器虽然速度快、泛化能力强，却缺乏硬性的正确性保证；而完备的符号求解器虽然能够保证给出正确答案，却仍然容易陷入长尾搜索的困境，在最难的实例上耗时急剧膨胀。针对这一矛盾，来自 arXiv 的论文《DiBS: Diffusion-Informed Branch Selection》提出了一种全新的扩散模型引导方法 DiBS，用于改进分支选择搜索过程。
DiBS 的核心设计思路是“分工协作”：它保持符号求解器的完备性不变，即最终的正确性仍由符号推理来保证，同时把扩散模型作为分支排序的引导器。具体而言，DiBS 在当前部分赋值和轻量一致性信号的条件下，对候选取值进行排序，从而决定搜索过程中应当优先尝试哪一个分支。这样做的意义在于，搜索树的形状在很大程度上由分支顺序决定——如果在早期选错了分支，后续可能要付出大量节点扩展与回溯的代价；而如果分支顺序足够好，搜索就能更快地逼近解。扩散模型在这里充当的正是这种全局性、学习式的排序先验。
论文不仅给出了方法，还提供了深入的理论证明，用以揭示 DiBS 为何有效、在何种条件下有效。这一理论分析为“学习到的全局引导”提供了支撑，说明它并非单纯的工程技巧，而是有可解释依据的搜索改进。
在实验方面，作者选择了极具挑战性的 Royle 17-clue 数独基准进行评测。这一基准以线索极少、难度极高著称，是检验求解器在困难实例上表现的试金石。实验结果显示，与强启发式基线相比，DiBS 大幅降低了搜索成本，尤其在节点数、回溯次数以及长尾百分位等指标上表现突出。这些结果说明，在分支顺序错误代价最高的困难实例上，学习到的全局引导确实能够发挥显著作用。
该论文由 Bo Liu 等共 7 位作者完成，于 2026 年 6 月 2 日提交至 arXiv，属于人工智能（cs.AI）与机器学习（cs.LG）交叉方向，全文共 12 页，包含 6 幅图和 3 张表格。作者已公开全部代码，托管于 https://github.com/shanxierdan/DiBS，便于社区复现与后续研究。
从更广的视角来看，DiBS 所代表的是一种“学习引导 + 符号保证”的混合范式：让学习模型负责启发式的排序与剪枝决策，而让符号求解器负责最终的正确性兜底。这种思路不仅适用于数独，也可能推广到其他约束满足与组合优化问题中，为在保持严格正确性的同时缓解长尾搜索难题提供了一条有前景的路径。