离散扩散语言模型（dLLM）近来热度不低，但一个根本问题始终悬而未决：它到底能不能取代自回归模型（AR）？本文从 LLaDA 系列的实际经验出发，给出一个阶段性判断。

dLLM 的核心优势与挑战并存

打开网易新闻 查看精彩图片

dLLM 在生成方式上与 AR 有本质差异，理论上具备并行生成、全局建模等潜力。但实践中，边际-联合一致性是绕不开的坎——模型在逐步去噪时，每一步的边际分布与整体联合分布能否保持一致，直接决定生成质量。LLaDA 系列的实验显示，这一问题的处理难度远超预期。

token 效率与基础设施成本是现实门槛

另一个被低估的问题是 token 效率。dLLM 在推理过程中需要多次迭代修正，消耗的 token 数往往高于 AR 模型，直接推高计算成本。基础设施层面，现有推理引擎、采样策略和硬件优化几乎全部围绕 AR 设计，dLLM 要落地，意味着整套工具链需要重构，投入巨大。

结论：不是取代，而是融合

综合来看，dLLM 短期内难以简单取代 AR。更可能的方向是两者融合——dLLM 与 AR、speculative decoding 等技术结合，形成连续谱系，在不同场景下各取所长。LLaDA 系列的实践，正是在为这条融合路径探路。