标签
DiffuSpace 发布了 Clover-35B-A3B-Preview，这是一款开源的块扩散语言模型，采用 350 亿参数的 MoE 骨干网络（约 30 亿激活参数），支持 128K 上下文，在 GB300 上的生成速度达 680 token/秒，在 SWE-bench Verified 上得分为 73.6%，并采用 Apache 2.0 许可证。
Mercury 3 是目前发布的最强扩散式大语言模型，宣称以 1,000+ tokens/s 的速度运行，比竞争对手快 4–8 倍，并在性能上超越 GPT-6 Luna 和 Claude Haiku 5.5，实现 40 倍扩展而不降低速度。
Inception Labs 发布 Mercury 3，这是迄今最强的扩散式 LLM，在多项基准上超越 GPT-6 Luna 和 Claude Haiku 5.5，同时以 1000+ tokens/秒的速度快 4-8 倍。模型规模比 Mercury 1 大 40 倍以上，支持 100 万 token 上下文，并以极具竞争力的价格面向生产环境开放。
研究人员提出 ORL（On-Policy Residual Learning）与自研推理引擎 dlmrt，使扩散语言模型在单张 RTX 5090 上达到 2,788 tokens/s，8×B200 上达 7,708 tokens/s，端到端吞吐提升最高 6.9 倍且质量不降，模型、训练代码与推理引擎全部开源。
AutoIndexer提出了一种通过“编辑链”训练因果生成模型的新解码机制，使模型能像文本编辑器一样，在生成后通过插入、替换和删除灵活修改先前的输出，同时在标准大语言模型基准测试中不损失性能。
FastGuide 是一种自适应的并行与自回归混合解码方法，通过复用奖励模型反向传播计算、利用 KV 缓存和稀疏注意力重计算来加速扩散大语言模型的梯度奖励引导，在三个奖励基准上实现最高 4.4× 加速同时保持相近生成质量。
Inception Labs 推出了 Mercury 2.5，这是一款基于扩散技术的语言模型，在智能、速度和成本效益方面均有提升，适用于搜索、语音和编程等生产环境。
Mercury 2.5 被宣布为最强大的扩散语言模型，智能方面比 Mercury 2 提升 40%，在 NVIDIA GPU 上运行速度超过每秒 1,100 个令牌，并针对生产进行了优化，具有低延迟和低成本。
This paper investigates why diffusion LLMs fail at reasoning tasks: unconstrained token commitment freezes answers early and collapses to answer-only outputs. The authors identify commitment order as the root cause and propose a training-free, frontier-gated decoding intervention that recovers performance while preserving parallel decoding.
提出DC-Leap，一种无训练框架，通过引入动态连续验证和草稿引导解码来加速扩散大语言模型，在保持生成质量的同时实现高达105倍的加速。
inclusionAI发布了LLaDA2.2-flash，一个面向代理的100B MoE扩散LLM，具有莱文斯坦编辑（Levenshtein Editing）、128K上下文和高达2.3倍的吞吐量提升，在τ²-Bench和PinchBench等代理基准测试中取得了优异成绩，采用Apache 2.0许可证。
本文提出 Dynamic-dLLM，一种无训练框架，通过动态分配缓存更新预算和校准解码阈值来加速扩散大语言模型，在 LLaDA 和 Dream 等模型上实现超过 3 倍的加速，同时保持性能。
介绍了 d-OPSD，这是首个面向扩散大语言模型的自策略知识蒸馏框架，采用后缀条件和步骤级别监督，在推理基准上优于 RLVR 和 SFT 基线。
本文提出了llada.cpp，一种NPU感知推理框架，用于在智能手机上加速扩散大语言模型（dLLM）。它引入了三种技术——Multi-Block Speculative Decoding、Dual-Path Progressive Revision和Swap-Optimized Memory Runtime——以使dLLM推理与移动NPU特性对齐，实现了相比CPU基线17-42倍的延迟降低。
TIDE 是一种用于扩散大型语言模型的无损推理系统，它利用专家激活的时间稳定性来减少 I/O 开销和计算，在单 GPU-CPU 系统上实现高达 1.4-1.5 倍的吞吐量提升。
本文介绍了一种无需训练的框架——并行推测解码（PSD），它通过同时提升空间和时间效率来加速扩散大语言模型的推理，每次前向传递最多可处理5.5×的token数，且质量与贪婪解码相当。
dLLM是一个开源库，可将任何自回归大语言模型转换为扩散大语言模型，实现并行解码和更快的文本生成。
本文探讨了为何在 Mercury 2 等近期技术取得进展的背景下，主流 LLM 提供商仍未大力投资扩散型 LLM。文章分析了阻碍该技术更广泛采用的潜在底层缺陷或硬件瓶颈。
R²-dLLM 引入时空冗余削减技术，在保持生成质量的同时将扩散 LLM 的解码步数最多压缩 75%，直击部署瓶颈。