爆火Block Diffusion引发LLM架构变革？自回归+扩散模型完美结合 | ICLR 2025

块离散去噪扩散语言模型（BD3-LMs）结合自回归模型和扩散模型的优势，解决了现有扩散模型生成长度受限、推理效率低和生成质量低的问题。通过块状扩散实现任意长度生成，利用键值缓存提升效率，并通过优化噪声调度降低训练方差，达到扩散模型中最高的预测准确性，同时生成效率和质量优于其他扩散模型。

扩散模型被广泛应用于生成图像和视频，并且在生成离散数据（如文本或生物序列）任务上的效果也越来越好，与自回归模型相比，扩散模型有望加速「生成过程」并提高模型输出的「可控性」。

然而，离散扩散模型目前仍然有三个局限性：

1. 在聊天系统等应用中，模型需要生成任意长度的输出序列（例如，对用户问题的回答），但大多数现有的扩散架构只能生成固定长度的向量；

1. 离散扩散在生成过程中使用双向上下文，因此无法利用键值缓存（KV caching）复用之前的计算，使得推理效率较低。

1. 从困惑度等标准指标来看，离散扩散模型的质量仍落后于自回归方法，也进一步限制了其应用范围。

为了克服这些局限性，康奈尔科技校区（Cornell Tech）、斯坦福大学的研究人员提出了「块离散去噪扩散语言模型」（BD3-LMs，Block Discrete Denoising Diffusion Language Models），介于离散扩散模型和自回归模型之间：块扩散模型（也称为半自回归模型）在离散随机变量的块上定义了一个自回归概率分布；给定前面的块，当前块的条件概率由离散去噪扩散模型指定。

论文链接：https://arxiv.org/pdf/2503.09573

代码链接：https://github.com/kuleshov-group/bd3lms

想要开发出一个高效的BD3-LMs，仍然有两大难题需要解决：

1. 计算块扩散模型的训练目标无法通过神经网络的标准前向传播实现，需要开发专门的算法；

2. 扩散目标的梯度方差较大，导致即使在块大小为1（此时两种模型理论上等价）时，BD3-LMs的表现仍不如自回归模型。

研究人员通过推导梯度方差的估计器，发现了导致自回归模型与扩散模型之间困惑度差距的关键因素，文中提出了定制的噪声过程，以最小化梯度方差，并缩小了困惑度差距。

自回归生成过程

扩散生成过程

块扩散生成过程

研究人员在语言建模基准测试中评估了BD3-LMs，结果表明，该模型能够生成任意长度的序列，包括超出其训练上下文长度的序列，并且在离散扩散模型中达到了新的最低困惑度。

与在嵌入层上进行高斯扩散的其他半自回归方法相比，文中提出的离散方法具有可处理的（tractable）似然估计，并且在生成步骤少了一个数量级的情况下，生成样本的困惑度还更低。

Block Diffusion语言建模

自回归语言模型vs扩散语言模型

语言建模任务就是从数据分布q(x)中获得具有L个token的序列 ，目标是拟合出一个服从q分布的模型 。

自回归模型（Autoregressive Models）将token的分布分解成一种逐步生成的形式，即根据前面的token来预测下一个token

但这种方法存在一个问题：由于token之间的顺序依赖关系，自回归模型在生成长序列时需要逐个token进行采样，可能会导致生成速度变慢。

相比之下，扩散模型（Diffusion Models）通过独立建模tokens实现了并行生成，其核心思想是通过「去噪」来逆转预先设计的「加噪」过程，利用转移矩阵（transition matrices）告诉模型如何从噪声中恢复出清晰的token

然而，扩散模型也有局限性，其目标是最小化似然的一个上界，也就意味着在生成质量和预测准确性方面可能不如自回归模型；并且扩散模型目前只能生成固定长度的序列，限制了其在生成任意长度输出应用中的灵活性。

BD3-LMs

研究人员结合了自回归模型在「生成质量」和「灵活长度生成」方面的优势，以及扩散模型在「快速并行生成」方面的优点，提出了块离散去噪扩散语言模型（Block Discrete Denoising Diffusion Language Models，BD3-LMs）。

块扩散似然

研究人员提出了一种新的建模框架，将token分组成块（block），并在每个块内执行扩散操作。

具体来说，模型以自回归的方式处理这些块，同时在每个块内部使用扩散模型进行生成，其似然函数可以分解为B个长度为L'的部分。

每个块都通过离散扩散的变分下界（ELBO）来建模，覆盖的块尺寸为L'个token。

通过优化似然下界，可以得到一个合理的训练目标：

研究人员采用一种简单的离散扩散参数化方法来建模每个块的似然，最终模型的目标函数变成了加权交叉熵项的总和。

高效训练与采样算法

通常情况下，需要循环B次操作来计算结果，研究人员提出了一种高效训练方法，只需要进行两次正向传播即可完成计算。

第一次正向传播会预先计算出整个序列的键（keys）和值（values）；第二次正向传播则利用这些预先计算好的键和值，同时为所有块生成去噪后的预测结果。

在从块离散去噪扩散语言模型（BD3-LMs）中采样时，一次生成一个块，并且这个块的生成是基于之前已经生成的块的条件。

生成一个块后，像自回归模型（AR）一样将键和值缓存起来；在生成过程中，可以使用任意扩散采样方法，从条件分布中生成样本，并且每个块的采样步骤可以独立进行。

扩散模型与自回归模型之间的似然差距
单个token生成

块扩散模型在理论上与自回归模型的负对数似然（NLL）是等价的，尤其是在L'=1的极限情况下。

然而，研究人员发现，在LM1B数据集上训练这两种模型时，即使在块大小为1的情况下，块扩散模型与自回归模型之间仍然存在2个点的困惑度差距。

经过分析，可以发现扩散模型的目标函数在训练过程中具有较高的方差，是导致困惑度差距的主要原因。

在离散扩散模型的训练中，使用变分下界（ELBO）时会遇到高方差的问题。

从直觉上来说，如果被遮蔽的部分太少，那么恢复原始内容就会很容易，这种情况下模型就得不到有效的学习信号；

反过来，如果把所有内容都遮蔽掉，那么最优的恢复方式就是简单地根据数据分布中每个token的独立概率来进行猜测，这种任务虽然容易完成，但也同样没有意义。

最终的目标是找到一种合适的噪声调度（noise schedule），以减少由扩散目标引起的训练过程中的波动，并进一步缩小模型在困惑度上的差距。

为了避免因遮蔽率（masking rates）过高而导致训练过程中的大幅波动，研究人员在训练块离散去噪扩散语言模型（BD3-LMs）时，采用了「限制性」的遮蔽率：通过降低训练过程中的波动，当在评估时使用均匀采样的遮蔽率时，模型的预测准确性得到了提升。

由于最优的遮蔽率可能因块的大小而有所不同，研究人员在训练过程中自适应地学习这些遮蔽率，在每次验证步骤中，每完成5000次梯度更新后，通过网格搜索来优化遮蔽率。

研究结果表明，针对每个块大小优化噪声调度可以减少损失估计器的方差，并在与其他噪声时间表的比较中实现最佳的困惑度性能。

实验结果

似然评估

BD3-LMs在扩散模型中达到了最先进的预测准确性（似然性），通过调整块的长度，BD3-LMs能够在扩散模型的似然性和自回归模型的似然性之间实现平衡。

任意长度序列生成

许多现有的扩散语言模型有一个重大缺陷：无法生成比训练时选择的输出上下文长度更长的完整文档。

例如，OpenWebText数据集中包含的文档最长可达13.1万个tokens，但离散扩散模型SEDD只能生成最多1024个token的内容。

实验结果展现了BD3-LMs能够通过解码任意数量的块来生成长度可变的文档，研究人员评估了BD3-LMs在生成长度可变的序列时的质量，并使用相同的生成步数（NFEs）来比较所有方法。

研究人员还测量了在GPT2-Large模型下采样序列的生成困惑度，结果显示BD3-LMs在所有之前的扩散方法中达到了最佳的生成困惑度。

研究人员还将其与半自回归SSD-LM进行了比较，在词嵌入上执行高斯扩散，但无法进行似然估计；相比之下，文中提出的离散方法在少一个数量级的生成步数下，生成的样本具有更低的生成困惑度。

简单来说，BD3-LMs不仅能够生成任意长度的文档，而且在生成效率和质量上都优于其他扩散模型。

参考资料：

https://arxiv.org/pdf/2503.09573