待验证50% 置信事实精确时间
扩散 LLM 每次迭代都在整段序列上同时进行，解码过程天然并行，总延迟取决于去噪步数而非输出长度。
1
来源数
50%
置信度
长期有效
时效性
2026/10/22
首次发现
来源
Mercury 3：40倍扩展不减速的扩散LLM
producthuntProductHunt Daily2026/10/22
涉及实体
相关事实
待验证Diffusion Language Model（DLM）先初始化整段序列为噪声再通过多步去噪还原文本，可并行处理整条序列并天然支持在固定候选集合上打分74% 相似已验证扩散模型的去噪过程通常需要执行数十到数百次迭代（称为采样步数），每次迭代都需要完整运行一次神经网络的前向传播73% 相似待验证LLM每次推理时仅处理当前输入的token序列，不保留跨会话的持久化状态（无状态性）72% 相似待验证每一次工具调用都意味着至少一次额外的 LLM 推理步骤，而 LLM 推理本身是延迟大头。71% 相似待验证掩码扩散在训练时随机遮盖序列中的部分token，生成时从掩码状态出发通过多轮迭代逐步去噪还原完整序列，每一步可并行预测多个位置的token。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1085412API
curl https://kongchang.com/api/v1/knowledge/claims/1085412MCP
get_claim(id=1085412)