是什么：扩散语言模型（dLLM）把图像生成里的扩散/去噪思路搬到文本上。它不按「下一个词」逐个预测，而是一次性给出整段被遮盖的文本，再让模型反复预测被遮住的位置、逐步把答案「擦亮」。
机制
LLaDA 论文给出的框架是「前向数据遮盖 + 反向生成」——训练时把文本按前向过程遮掉一部分，让 Transformer 学会预测被遮住的 token，并通过优化似然下界来做概率推断；生成时从高遮盖状态出发，多轮并行地把被遮位置填回。因为每一轮可以同时修改多个 token，解码步数不再等于输出长度，这正是它追求速度优势的来源。
与自回归的区别
自回归模型每次只前进一步、且不能回头改已写的内容；扩散式生成可以全局规划、并支持并行改写。LLaDA 论文报告，其 8B 模型在上下文学习上可与同规模自回归模型相比，并称在「反转诗」补全这类任务上缓解了反转诅咒。
适用边界
这是一条与主流自回归并行的技术路线，不等于「更强」。并行解码在通用对话、长文写作上的质量与工程成熟度仍在演进；实际产品的能力与速度说法应以其官方发布为准（例如 Inception 的 Mercury 自称是首个商业化规模的 dLLM，并称其代码模型达到 1000+ tokens/秒、比同期 LLM 快 5–10 倍，属厂商自述口径）。