新智元报道
新智元报道
【新智元导读】扩散建模+自回归，打通文本生成任督二脉！这一次，来自康奈尔、CMU等机构的研究者，提出了前所未有的「混合体」——Eso-LM。有人惊呼：「自回归危险了。」
扩散方法打入语言模型领域！
最近，康奈尔博士生Subham Sahoo，在X介绍了扩散大语言模型的最新工作。
这项研究引发了AI研究领域的思考。
英伟达研究院杰出研究科学家Pavlo Molchanov说：「扩散大语言模型正在崛起！」
谷歌研究院学生研究员、康奈尔大学博士生Yash Akhauri更是指出：「自回归危在旦夕」。
这项新鲜出炉的研究，提出了突破性的方法：Esoteric Language Models（Eso-LMs）。
论文链接：https://arxiv.org/abs/2506.01928
项目链接：https://s-sahoo.com/Eso-LMs/
这是首个在保持并行生成的同时，引入KV缓存机制的方法。
推理速度相比标准MDM提升了 65 倍，相比支持KV缓存的半自回归基线模型快3–4倍。
这是一种新的语言建模框架，融合了自回归（AR）和离散扩散模型（MDM）两种范式，性能超越了之前的混合方法BD3-LMs。
研究者还发现，BD3-LMs 在低采样步数下性能下降，而新方法在低计算量（NFE）场景下与离散扩散模型相当，在高计算量场景下与自回归模型相当。
这次的结果为离散扩散模型建立了新的困惑度（perplexity）最优水平，缩小了与自回归模型的差距。
另外值得一提的是，除了共同一作Zhihan Yang外，还有多位华人作者，其中包括知名华人学者邢波（Eric Xing）。
这并非扩散方法首次「入侵」文本生成领域。
甚至达到商用级别的扩散语言模型，都不止一个。
斯坦福、UCLA和康奈尔的三位教授联合创立了Inception Labs，推出了全球首个商用级别的扩散语言模型
扩散语言模型最大特点就是快：推理速度可达ChatGPT的6倍！
IBM甚至认为扩散模型就是下一代AI，GPT这类自回归范式受到有力挑战。
不过，三位教授具体如何实现这一突破，目前尚属商业机密，外界难以得知。
而在AI巨头中，谷歌是第一家尝试扩散语言模型——
在I/O大会上，它放出了实验版语言模型Gemini Diffusion：推理每秒可达1400多token。
而这次的新论文，作者Arash Vahdat是英伟达研究院的科研总监（Research Director），领导基础生成式人工智能（GenAIR）团队。
莫非英伟达也要押注扩散语言模型？
众所周知，掩蔽扩散模型（Masked Diffusion Models，MDMs）是自回归（AR）语言模型的有力替代方案——
但它们有两个致命短板：
速度慢：没有KV缓存 = 实际上比AR慢得多；
质量差：在复杂任务中表现不佳，似然度低于AR。
块扩散（Block Diffusion）模型BD3-LM，在每个区块内执行扩散过程，以先前区块为条件，实现分块生成token序列。
它融合了自回归模型与扩散模型的优势：在支持可变长度生成的同时，利用KV缓存和并行采样提升推理效率，从而克服两种传统方法的局限性——
既能实现更高质量的生成效果，又能保持高效推理特性。
但是，BD3-LM的速度与质量仍需权衡：
低采样步数下出现模式崩塌，导致样本质量差；
而且只支持部分缓存，块内键值缓存仍缺失。
针对现有方法在速度与质量之间的权衡，研究者提出了一种全新的混合范式：Eso-LM。
论文链接：https://arxiv.org/abs/2503.09573
这次研究人员结合掩蔽扩散和自回归，提出了新的语言建模范式：Esoteric Language Models (Eso-LMs)。
新范式兼顾了速度与质量，超越了BD3-LM。
正如图1所示，Eso-LM包含扩散和顺序两个阶段：
在扩散阶段（Diffusion Phase），Eso-LM每一步去噪一个或多个可能不相邻的掩蔽token (图1中底部字母「M」)。
在顺序阶段（Squential Phase），Eso-LM从左到右逐个去噪剩余的掩蔽token。
与BD3-LM不同，Eso-LM (B)允许在两个阶段使用统一的KV缓存，蓝色边框框住了正在构建KV缓存的transformer单元；当单元的KV缓存构建完成时，该单元变成蓝色。
下方的序列显示了transformer中token的自然顺序。
图1: 使用Eso-LM (B) 高效生成示例序列。
这招「KV缓存」原本是自回归模型加速推理的「杀手锏」。
但Eso-LM利用创新的混合训练方法，将KV缓存引入了扩散模型。
具体来说：
-
混合训练：Eso-LM在训练时一半数据采用AR风格（干净的上下文预测下一个单词），另一半采用扩散风格（打乱输入，部分掩码，逐步去噪）。
-
推理优化：在生成过程中，Eso-LM只对部分单词（掩码和干净单词）进行前向计算，并缓存干净单词的KV对，大幅减少计算量。
自回归模型（AR）需要因果注意力和逐个token解码，而掩码去噪模型（MDM）依赖双向注意力。
要想同时支持顺序（AR）和并行（MDM）生成模式，并使用共享的Transformer架构，必须解决它们之间的架构不匹配问题。
研究者引入了注意力偏置矩阵A，调整标准的自注意力机制：
其中Q，K，V分别表示自注意力机制中query、key和value矩阵。
偏置矩阵A控制注意力流：当Ai,j=0时，表示「允许」从tokeni注意到j；当Ai,j=−∞时，表示「阻止」这种注意力。
这种机制只要一个transformer，就能根据需要模拟因果（单向）和双向注意力行为。
基于统一的注意力机制，研究者提出了两个变体：Eso-LM(A)和Eso-LM(B)。
Eso-LM(A)通过稀疏化注意力并在每一步扩散过程中仅将去噪transformer应用于部分遮蔽token，从而降低计算量。
Eso-LM(B)进一步扩展了这个想法，不仅对遮蔽token应用因果mask，还对干净token应用，从而实现更高效的KV缓存（KV-caching）——代价是困惑度略有下降。
在扩散阶段，标准的采样方法会浪费大量FLOPs。
为了提高效率，研究者对标准采样和训练过程提出了两个关键改进。
在采样过程中，预先计算扩散去噪计划SMDM=(S1,…,S1/T)，其中S_t是在扩散步骤t去噪的遮蔽token的索引集合。
而且不再处理整个序列，而只对子序列{ztℓ∣ℓ∈C(zt)∪St}进行前向传播——即，干净的token和计划去噪的token——
这在处理长序列时显著降低了计算量。
这种方法支持在扩散过程中进行高效的KV缓存。
关键思想借用了已有的方法AO-ARM（见下文）：遮蔽token可以按任何顺序揭示。
论文链接：https://openreview.net/forum?id=sMyXP8Tanm
因此，在训练过程中，新方法要采样随机顺序σ∼PL，并对每个σ，强制执行对遮蔽token的因果注意力。
具体来说，要求遮蔽token只能对干净token和根据顺序σ排列的先前遮蔽token进行注意力计算。
Eso-LM(A)采用了这一策略，在采样过程中显著减少了计算量，同时保持了性能。
而Eso-LM(B)对干净token强制施加类似的因果mask，进一步扩展了这一思想，从而实现了KV缓存。
尽管在困惑度上稍微差一些，Eso-LM(B)在采样过程中提供了显著的加速（最多65倍）。
自回归模型随后从左到右填充遮蔽token，使用顺序去噪计划，其中要求每个单元素集合按其唯一元素升序排列。
不同于标准的自回归解码，每个x~ℓ同时依赖其左侧上下文（完全由干净token构成）和右侧干净的token，从而实现更丰富的生成。
我们跳过对右侧遮蔽token的评估，减少不必要的计算。
顺序阶段自然支持KV缓存。
我们将统一的去噪计划表示为S=SMDM∪SAR，它将两个采样计划连接起来以划分集合[L]。
当α0=1时，所有token都由扩散生成，因此S=S_MDM，且S_AR=∅；
当α0=0时，所有token都由顺序方式生成，因此S=S_AR，且S_MDM=∅。
完整采样算法如下。
在扩散阶段，去噪Transformer接收zt∼qt(⋅∣x)，其中包含待去噪的掩码token，以及目标序列x。
从排列分布PL中采样一个随机排列σ，并满足一个自然约束：在排列σ中，zt中的干净token必须排在掩码token之前。
下图展示了一个示例的注意力掩码及其排序实现，其中x=(A,B,C,D,E,F)，zt=(A,M,C,M,M,F)，排列σ=(3,1,6,4,5,2)。
在顺序阶段，去噪Transformer接收z0⊕x∈V2L，其中z0∼q0(⋅∣x)包含待去噪的掩码token，并通过比较Transformer在z0上的输出与目标序列x来计算损失。
在训练过程中需要将z0与x进行拼接作为输入，这是因为不像AR模型那样在输出端使用逐步移动（shift-by-one）。
从排列分布PL中采样一个随机排列σ，该排列满足以下两个约束：
（i）σ中z0的未掩码token排在掩码token前；
（ii）掩码token在σ中保持其自然顺序。
下方展示了一个示例的注意力掩码及其排序实现，
其中x=(A,B,C,D,E,F)，z0=(A,M,C,M,M,F)，σ=(3,1,6,2,4,5)。
在顺序生成过程中，模型需要从左到右地对由z0∼pθMDM(⋅)生成的遮蔽token进行去噪。
图2：扩散阶段训练中注意力偏置的比较。橙色代表0（有注意力），灰色代表−∞（无注意力）
干净的原始序列为x=(A,B,C,D,E,F)。
经过随机遮蔽后，得到zt=(A,M,C,M,M,F)。
图中整数表示位置索引，其中遮蔽token的索引集为M(zt)={2,4,5}，干净token的索引集为C(zt)={1,3,6}。
随机顺序为σ=(3,1,6,4,5,2)∼P6，其中干净token出现在遮蔽token之前。
设x∼qdata(x)为数据分布中的样本，pθ是由参数θ定义的模型分布。
ESO-LM将模型分布pθ分解为两部分：自回归模型（Autoregressive Model, AR）
和掩码扩散模型（Masked Diffusion Model, MDM）
。
具体生成过程为：首先，掩码扩散模型生成一个部分掩码的序列
，然后自回归模型以从左到右的方式完成剩余的解掩码步骤，生成条件分布
。
这一混合生成过程的边缘似然表示为：
虽然上述求和难以直接计算，但可以通过引入后验分布q(z0∣x)来对真实似然进行变分下界估计。
由于建模的是掩码序列，可以选择一个简单的掩码分布q，具体定义如下：
，即以概率1−α0独立掩码每个token
，其中α0∈[0,1]。
由此推导得到变分下界：
在原文附录中，研究者分析了KL项并给出负证据下界（NELBO）：
当α₀=1时，后验采样z₀=x，所有token均由MDM（掩码扩散模型）生成，此时上式负证据下界中的AR损失为零，NELBO（负证据下界）退化为纯MDM损失。
反之，当α₀=0时，所有token均被掩码，MDM损失消失，NELBO退化为纯AR（自回归）损失。
因此，ESO-LM通过超参数α₀的调控，实现了自回归（AR）与掩码扩散（MDM）两种生成范式的平滑插值。
这能够在两种风格之间流畅切换，实现以下方面的完美平衡：本通顺度、生成质量和推理速度。
Eso-LM模型在两个标准语言建模基准上进行了评估：十亿词数据集（LM1B）和OpenWebText（OWT）。
所有模型均采用提出的基于扩散Transformer的架构，并引入旋转位置编码。
实验结果表明，在LM1B和OWT基准测试中，Eso-LM模型实现了扩散模型的最优困惑度表现，同时在掩码扩散模型(MDM)与自回归模型(AR)的困惑度区间实现了更精细的插值调控(见表1和表2)。
具体而言：
-
性能突破：在LM1B上，Eso-LM将扩散模型的困惑度记录从18.7显著降低至16.3，相对提升达13%；
-
动态调控：通过调节扩散步数(T=10至T=1000)，模型可平滑过渡生成质量与速度，相邻步长困惑度差异保持在0.8以内；
-
长程优势：在OpenWebText(OWT)长文本评估中，1024上下文窗口下的困惑度从21.5优化至19.1，验证了模型对长距离依赖的有效建模；
-
评估严谨：采用序列打包技术使LM1B评估更具挑战性(基准困惑度提升2.1)，但模型仍保持12-15%的相对性能优势。
当生成长度为8192的序列，并使用最大数量的函数评估（NFEs=8192）时，Eso-LM模型的推理速度最多比MDLM快65倍，比BD3-LMs快3～4倍。
对在OWT数据集上训练的模型，研究者使用生成困惑度（Generative Perplexity，Gen. PPL）来评估所生成样本的质量。
Gen. PPL越低，表示生成质量越高。
为比较采样效率，研究者还记录了每种方法生成一个样本（即batch size=1）所需的采样时间中位数（单位为秒，基于5次试验）。
Eso-LM模型在采样速度–质量的帕累托前沿（Pareto frontier）上达到了新的SOTA（最先进水平），重新定义了生成模型的可能性：
-
在高速采样条件下实现与MDLM相当的困惑度；
-
在需要时，可达到与自回归模型（AR）相同的困惑度水平；
-
在采样步骤较少时不会出现模式崩溃（mode collapse）——这是Block Diffusion 模型所无法做到的。
（文：新智元）