这是一个打破传统大语言模型解码限制的研究。

这是一个打破传统大语言模型解码限制的研究。

英伟达提出了全球首个三模式的大语言模型系列，只需简单更改注意力模式 / 掩码，即可在自回归、扩散和自推测解码之间切换。

一个模型，三种解码模式，没有额外的草稿模型，没有架构变更。 最快的模式 token 吞吐量能提升 4 倍

我们知道，传统上大语言模型主要采用的自回归解码（Autoregressive，AR）方式在低 batch sizes 时严重受内存限制，你必须为每个生成的 token 将海量权重从 HBM 移动到 SRAM。这种模式虽然准确率高，但由于无法并行，在并发量较低、追求单用户极速响应的场景（如个人 AI 助手）下，GPU 算力常常无法被充分利用，导致生成速度遭遇瓶颈。

与之相对的是，扩散模型（Diffusion

与之相对的是，扩散模型（Diffusion Model）能够提供并行生成的能力，但由于训练时平等对待所有 token 排列，缺乏自回归模型天然的从左到右的语言先验，历史上它们的生成质量一直落后。

如果有一个模型能同时结合两者的优势，会是什么样？英伟达这项研究的核心目的，就是通过统一的模型架构消除这两种范式的隔阂，做到「准确率与速度兼得」。

HuggingFace：https://huggingface.co/collections/nvidia/nemotron-labs-diffusion 项目页面：https://research.nvidia.com/publication/2026-05_nemotron-labs-diffusion-tri-mode-language-model-unifying-autoregressive 技术报告：https://d1qx31qr3h6wln.cloudfront.net/publications/Nemotron_Diffusion_Tech_Report_v1.pdf?VersionId=db8_EMO8B.vmU26.jr7Le9pN3MqcUDNL

英伟达提出的模型不使用弱外部 MTP 模型或额外 heads，而是利用自身的扩散模式同时起草多个 token，然后在 AR 模式下使用相同的 KV cache 验证它们。这样，你就获得了扩散模型的并行生成，同时具备 AR 的严格准确性。

该方法比起之前的 Eagle/MTP 方法具

该方法比起之前的 Eagle/MTP 方法具有更高的接受率，无需额外权重，或者只需少量额外权重即可获得更高的接受率。

训练时，模型同时优化两个损失函数：AR Loss 和 Diffusion Loss，这完全改变了扩散语言模型质量的游戏规则。 为了稳定训练，团队采用了两阶段训练策略，并引入了 Global Loss Averaging 技术，大幅降低了扩散模型训练中因随机掩码导致的梯度激增问题。

借助这种训练方式，模型在推理时可任意切换以下三种模式：

自回归模式（AR Mode）： 传统的从左到右逐字生成，保留完整的因果注意力机制。适合高并发、计算密集型的云端服务； 扩散模式（Diffusion Mode）： 采用分块去噪（Block-wise Denoising），利用双流注意力机制（Dual-stream Attention）在块内进行大规模并行 token 推测。为了进一步压榨并行的上限，英伟达还专门训练了一个轻量化采样器（Trained Sampler）来替代传统的置信度阈值判定； 自猜测模式（Self-Speculation Mode）： 它将传统的 Speculative Decoding（需要一个额外的小模型来垫字）改造成「单模型自我博弈」。

该研究给出了 3B、8B、14B 三个尺寸的

该研究给出了 3B、8B、14B 三个尺寸的基座模型 ，展现出了对现有开源自回归模型及扩散模型的全方位碾压。研究人员在之前的开源 dLLM（如 LLaDA、Dream 和 SDAR）上看到了从 9% 到 22.4% 的巨大准确率提升。也就是说，现在我们有了新的 SOTA dLLM。

在测试中，新模型匹配了 Qwen3-8B 的基线 AR 准确率，但在前向传播中达到了 5.9 个 token（TPF）。

dLLM 的主要优势在于效率。

NLD 在实际应用中的加速效果（8B 模型，单用户场景）如下：

DGX Spark：FP8 精度下提速 3.

DGX Spark：FP8 精度下提速 3.14 倍；INT4 精度下提速 2.7 倍（112 token/s vs 41.8 AR）； RTX 6000 Pro：FP8 精度下提速 3.4 倍；INT 精度下提速 2.3 倍； GB200：提速 3.3 倍（850 tok/s）；若配合自定义 CUDA 内核，最高可提速 4 倍。

在 SPEED-Bench 基准测试中，线性自推测（linear self-speculation）机制实现了 8.7 的平均接受长度，相比之下，Qwen3.5-9B-MTP 为 4.7，Qwen3-8B-Eagle3 为 2.81。该数据为针对数学、代码、推理及多语言任务的综合估算值。

具体方法上，这种能力并不是单个的解决方案。

在低到中等并发度下，自行推测绝对占据主导地位（非常适合个人 AI 和交互式代理）。但在巨大的批处理规模下（>64 个流），推理会变成计算受限。英伟达的解决方法是：只需将注意力掩码切换回纯 AR 模式。一个模型，在所有部署场景下都能实现通用高效。

最后，英伟达公布了他们的训练配方（从 Min

最后，英伟达公布了他们的训练配方（从 Ministral3-3B/8B/14B 开始）：

1T 个 token 的 AR-only 持续预训练 300B 个 token 的联合 AR + Diffusion 训练 随后进行 SFT 和 VLM 对齐

使用的关键技术：

全局损失平均 + DP-rank 变化掩码 严格因果干净流（防止标签泄漏） LoRA 增强的起草器以改进自我推测

这项研究指明了未来大模型架构演进的一个方向：

这项研究指明了未来大模型架构演进的一个方向：不要去刻意挑选自回归还是扩散模型，将它们揉碎在同一个全连接 / 因果注意力切换的 Transformer 体系内或许才是正解。

更令人兴奋的是，论文最后的分析指出， 如果未来能够开发出更完美的扩散采样器，扩散模式的理论性能上限比现有的自猜测模式还要再高出 76.5% —— 这表明扩散大语言模型依然留有巨大潜能，长文本的「秒级生成」时代可能离我们不远了。

更多细节详见论文。

https://x.com/PavloMolchanov/status/2056799786377039995

Notice: The content ab

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

这是一个打破传统大语言模型解码限制的研究。

这是一个打破传统大语言模型解码限制的研究。

英伟达提出了全球首个三模式的大语言模型系列，只需简单更改注意力模式 / 掩码，即可在自回归、扩散和自推测解码之间切换。

一个模型，三种解码模式，没有额外的草稿模型，没有架构变更。 最快的模式 token 吞吐量能提升 4 倍

我们知道，传统上大语言模型主要采用的自回归解码（Autoregressive，AR）方式在低 batch sizes 时严重受内存限制，你必须为每个生成的 token 将海量权重从 HBM 移动到 SRAM。这种模式虽然准确率高，但由于无法并行，在并发量较低、追求单用户极速响应的场景（如个人 AI 助手）下，GPU 算力常常无法被充分利用，导致生成速度遭遇瓶颈。

与之相对的是，扩散模型（Diffusion

与之相对的是，扩散模型（Diffusion Model）能够提供并行生成的能力，但由于训练时平等对待所有 token 排列，缺乏自回归模型天然的从左到右的语言先验，历史上它们的生成质量一直落后。

如果有一个模型能同时结合两者的优势，会是什么样？英伟达这项研究的核心目的，就是通过统一的模型架构消除这两种范式的隔阂，做到「准确率与速度兼得」。

HuggingFace：https://huggingface.co/collections/nvidia/nemotron-labs-diffusion 项目页面：https://research.nvidia.com/publication/2026-05_nemotron-labs-diffusion-tri-mode-language-model-unifying-autoregressive 技术报告：https://d1qx31qr3h6wln.cloudfront.net/publications/Nemotron_Diffusion_Tech_Report_v1.pdf?VersionId=db8_EMO8B.vmU26.jr7Le9pN3MqcUDNL

英伟达提出的模型不使用弱外部 MTP 模型或额外 heads，而是利用自身的扩散模式同时起草多个 token，然后在 AR 模式下使用相同的 KV cache 验证它们。这样，你就获得了扩散模型的并行生成，同时具备 AR 的严格准确性。

该方法比起之前的 Eagle/MTP 方法具

该方法比起之前的 Eagle/MTP 方法具有更高的接受率，无需额外权重，或者只需少量额外权重即可获得更高的接受率。

训练时，模型同时优化两个损失函数：AR Loss 和 Diffusion Loss，这完全改变了扩散语言模型质量的游戏规则。 为了稳定训练，团队采用了两阶段训练策略，并引入了 Global Loss Averaging 技术，大幅降低了扩散模型训练中因随机掩码导致的梯度激增问题。

借助这种训练方式，模型在推理时可任意切换以下三种模式：

自回归模式（AR Mode）： 传统的从左到右逐字生成，保留完整的因果注意力机制。适合高并发、计算密集型的云端服务； 扩散模式（Diffusion Mode）： 采用分块去噪（Block-wise Denoising），利用双流注意力机制（Dual-stream Attention）在块内进行大规模并行 token 推测。为了进一步压榨并行的上限，英伟达还专门训练了一个轻量化采样器（Trained Sampler）来替代传统的置信度阈值判定； 自猜测模式（Self-Speculation Mode）： 它将传统的 Speculative Decoding（需要一个额外的小模型来垫字）改造成「单模型自我博弈」。

该研究给出了 3B、8B、14B 三个尺寸的

该研究给出了 3B、8B、14B 三个尺寸的基座模型 ，展现出了对现有开源自回归模型及扩散模型的全方位碾压。研究人员在之前的开源 dLLM（如 LLaDA、Dream 和 SDAR）上看到了从 9% 到 22.4% 的巨大准确率提升。也就是说，现在我们有了新的 SOTA dLLM。

在测试中，新模型匹配了 Qwen3-8B 的基线 AR 准确率，但在前向传播中达到了 5.9 个 token（TPF）。

dLLM 的主要优势在于效率。

NLD 在实际应用中的加速效果（8B 模型，单用户场景）如下：

DGX Spark：FP8 精度下提速 3.

DGX Spark：FP8 精度下提速 3.14 倍；INT4 精度下提速 2.7 倍（112 token/s vs 41.8 AR）； RTX 6000 Pro：FP8 精度下提速 3.4 倍；INT 精度下提速 2.3 倍； GB200：提速 3.3 倍（850 tok/s）；若配合自定义 CUDA 内核，最高可提速 4 倍。

在 SPEED-Bench 基准测试中，线性自推测（linear self-speculation）机制实现了 8.7 的平均接受长度，相比之下，Qwen3.5-9B-MTP 为 4.7，Qwen3-8B-Eagle3 为 2.81。该数据为针对数学、代码、推理及多语言任务的综合估算值。

具体方法上，这种能力并不是单个的解决方案。

在低到中等并发度下，自行推测绝对占据主导地位（非常适合个人 AI 和交互式代理）。但在巨大的批处理规模下（>64 个流），推理会变成计算受限。英伟达的解决方法是：只需将注意力掩码切换回纯 AR 模式。一个模型，在所有部署场景下都能实现通用高效。

最后，英伟达公布了他们的训练配方（从 Min

最后，英伟达公布了他们的训练配方（从 Ministral3-3B/8B/14B 开始）：

1T 个 token 的 AR-only 持续预训练 300B 个 token 的联合 AR + Diffusion 训练 随后进行 SFT 和 VLM 对齐

使用的关键技术：

全局损失平均 + DP-rank 变化掩码 严格因果干净流（防止标签泄漏） LoRA 增强的起草器以改进自我推测

这项研究指明了未来大模型架构演进的一个方向：

这项研究指明了未来大模型架构演进的一个方向：不要去刻意挑选自回归还是扩散模型，将它们揉碎在同一个全连接 / 因果注意力切换的 Transformer 体系内或许才是正解。

更令人兴奋的是，论文最后的分析指出， 如果未来能够开发出更完美的扩散采样器，扩散模式的理论性能上限比现有的自猜测模式还要再高出 76.5% —— 这表明扩散大语言模型依然留有巨大潜能，长文本的「秒级生成」时代可能离我们不远了。

更多细节详见论文。

https://x.com/PavloMolchanov/status/2056799786377039995

Notice: The content ab

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.