苹果港大终结自回归时代？7B扩散模型发布，AI写代码逻辑彻底颠覆！

新智元报道

编辑：KingHZ 海狸

【新智元导读】LLM非要按顺序写代码？苹果联手港大发布DiffuCoder，用扩散模型+强化学习策略，直接性能飙升4.4%。 自回归，真的要落幕了吗？

文本扩散模型这次要起飞了？

5月，在I/O 2025大会上，谷歌推出了Gemini Diffusion，主打速度快：采样速度轻松可达每秒1000个token。

本该光芒四射、万众瞩目的Gemini Diffusion却被Veo 3等抢了风头。

但很快就有网友发现，他用的动图，其实是来自国内的研究——Dream 7B。

也正是这个团队的成员，最近联合苹果放出了新的大招。

通过与港大相关团队合作，苹果用1300亿有效token训出了自己的扩散大语言模型（Diffusion Large Language Model，dLLM）——7B参数的DiffCoder。

论文链接：https://arxiv.org/abs/2506.20639

项目链接：https://github.com/apple/ml-diffucoder

另外值得一提的是，作者除苹果的Navdeep Jaitly外都是华人。

Diffusion的确不一样

dLLM具备全局规划与迭代优化能力，尤其适合代码生成。

但缺乏dLLM训练方法与推理策略。

为揭开dLLM解码机理，苹果联合港大开源了新模型——DiffuCoder。

与GPT等自回归比较，这次发现dLLM确实不一样：

• dLLM可自主调节生成过程的因果性，无需半自回归(semi-AR)解码；

• 提高采样温度不仅拓宽了token的选择氛围，还改变了生成顺序，进一步增强了多样性。

这种双重多样性为强化学习提供了更丰富的搜索空间。

针对RL训练中的对数似然估计方差问题，他们还创新性提出的耦合梯度奖励策略优化（coupled-GRPO）方法，通过构建互补掩码噪声对提升训练效率。

实验表明：

• 在EvalPlus基准上实现+4.4%的性能提升

• 有效降低解码过程对AR偏置的依赖（见图1c）

这次研究不仅深化了对dLLM生成机制的理解，更建立了首个专为扩散模型设计的原生RL训练框架。

图1：(a)DiffuCoder-Instruct模型在采样温度1.2时的解码过程实例；(b)代码生成基准测试结果对比；(c)当解码步数减半时，采用耦合-GRPO训练的DiffuCoder-Instruct性能下降幅度显著小于原始指令微调模型

这次工作重点探究3大问题：

• 生成模式差异：与AR模型相比，dLLM的生成机制有何本质区别？

• 模态建模特性：在代码与数学等不同数据模态的建模中，dLLM表现出哪些差异化特征？

• 多样性潜力：dLLM的生成多样性边界如何界定？相应的训练后策略应如何针对性设计？

他们还提出了全新的指标：自回归度得分（autoregressiveness score，AR-ness），用于量化dLLM在生成过程中是否呈现出「因果式」的顺序偏好。

关键发现如下：

• dLLM仍存在一定的「从左至右」偏好。这是由文本天然的线性结构所决定的。但与自回归（AR）模型不同的是，dLLM具备打破这一约束的能力！

• 代码任务比数学任务更能激发「去顺序化」的生成方式。实验显示，在预训练阶段，dLLM在处理代码任务时表现出更低的「全局自回归度」，这说明代码更适合并行生成。

• 采样温度不仅影响生成内容，还会改变生成顺序！与AR模型不同，dLLM中调整temperature参数会同时影响token选择和token生成的位置顺序，生成过程更加灵活。

• 更多惊喜性发现详见原论文，研究人员揭示了dLLM结构中的多个「非因果化」潜力点，值得深入探索。

此外，研究人员还提出了后训练方法——Coupled-GRPO，专为DiffuCoder设计。

保持采样效率的同时，耦合机制进一步提升了模型性能。

扩散模型，正在重构写代码的方式。

性能表现：DiffuCoder vs. 主流代码大模型

在多项基准测试上，研究人员评估了DiffuCoder的表现（见表1）。

这些测试以Python为主，涵盖从基础完成到复杂指令生成的多种任务。

结果亮点：

• 经过130B代码token的训练（Stage 1+2），DiffuCoder在多个指标上已与Qwen2.5-Coder、OpenCoder相当；

• 在pass@1任务上，Coupled-GRPO后训练策略展现出显著优势。

然而，在指令微调阶段，所有dLLM模型的增益仍显疲弱，说明后续还需加强dLLM在理解/执行复杂自然语言任务上的能力。

表1：7B/8B规模语言模型代码生成能力基准测试

核心洞察：三大重点

dLLM的生成方式与自回归模型有何不同？

在标准的自回归解码中，无论是局部还是全局自回归性都为1（即100%自回归）。

但如图3所示，dLLM的生成顺序更加灵活：许多token并不是依序从最左侧的Mask位置或下一个token开始恢复的。

这表明与传统的自回归模型相比，dLLM并不总是按顺序解码。

不过，它们的局部和全局AR-ness都显著接近1，说明文本本身具有一定的顺序结构。

在DiffuCoder中，研究者认为模型可以自主决定在生成时采用多强的因果结构。

图3：左图：不同模型与数据模态下的局部与全局自回归特性比较。右图：(a)dLLM首次前向解码过程中各位置的置信度评分；(b)局部自回归性@k：指在k=1（即下一token预测）时，新解掩token与其前k个连续预测token构成严格递增序列的解码步骤占比；全局自回归性@k：模型在所有剩余被掩token中选择解掩最靠前k个位置的解码步骤占比。

数据模态如何影响生成策略？

从图3可以看出，尽管数学题和代码的局部AR-ness程度不同，但稳定的趋势是：代码生成的全局AR-ness平均值更低，波动更大。

这说明模型在生成代码时，往往优先预测后面的token，而将前面被Mask的token延后填充。

这可能是因为:

数学文本本质上是按顺序构建的，通常要求从左到右推理；

代码则具有更强的结构性，模型更倾向于像程序员一样在不同位置之间跳跃进行规划。

在训练过程中，AR-ness有何变化？

在训练早期（图4中的阶段1），当模型看到650亿个token时，AR-ness已经相对较低。但当训练规模扩大到7000亿token时，AR-ness提高了，然而整体性能却下降了。

这可能与预训练数据质量有关，因此选择650亿token的模型作为后续训练的基础。

图4：不同训练阶段的自回归特性漂移情况。左图：适配预训练阶段与中期训练阶段；右图：指令微调与强化学习后训练阶段。

在后续阶段（阶段2的中期训练与阶段3的指令微调）中，模型在第一轮训练后表现出明显的因果偏置。但随着训练继续，虽然任务表现不断提升，AR-ness却逐渐下降。

这表明模型开始学习并利用非顺序性的依赖结构。

在经过GRPO训练后，模型的全局AR-ness进一步下降，但生成步骤减半的情况下，性能下降幅度却较小（见图1(c)）。

当dLLM进行条件生成时，扩散过程从完全被Mask的补全文本开始，并尝试逐步恢复全部内容。

在第一步中，研究者记录了每个恢复出来的token的置信度（见图3(a)）。

研究者观察到，这些置信度的分布呈现出「L」形。他们把这种现象称为「熵汇集」(Entropy Sink)。这种现象可能源于文本的结构本身。

这种「熵偏置」可能与注意力机制中的「注意力汇」现象，但其本质仍有待进一步研究。

由于这个偏向邻近位置的现象存在，dLLM仍然表现出一定程度的自回归性。

dLLM的生成多样性边界如何界定？

已有研究表明，在接受强化学习（RL）训练后，自回归LLM推理路径的多样性受到基础模型的pass@k抽样能力的限制。

因此，研究者采用pass@k准确率指标，来衡量扩散式大语言模型（dLLMs）在生成样本时的多样性表现。

如图5右和图6所示，无论是DiffuCoder的基础模型，还是经过指令微调的版本，当温度设置较低时，虽然能获得较高的pass@1准确率，但pass@k几乎没有提升，说明生成结果高度集中，缺乏多样性。

当把温度提高到适中范围，模型的pass@k明显上升，说明具备生成多种正确答案的潜力。

此外，如图5左和图1(a)所示，温度越高，模型的自回归性（AR-ness）越低，意味着生成的token顺序更加随机。

这一行为与自回归模型截然不同：

在AR模型中，温度仅影响每一步选择哪个token；

在dLLMs中，温度不仅会影响token的选择，还会改变其生成的顺序。

构建强化学习基座

DiffuCoder的多阶段训练流程

之前，扩散模型缺乏强化学习潜力。

这次，团队遵循下文中的范式，多阶段大规模训练了DiffuCoder。

论文链接：https://arxiv.org/abs/2410.17891

整体流程如图2所示，分为四个阶段：

图2：DiffuCoder训练阶段的流程及耦合-GRPO算法的示意图。

• 预训练阶段以Qwen-2.5-Coder作为基础模型，使用「适配式预训练方法」进行持续训练。

• 中间训练阶段作为稳定模型参数的「退火期」，总体token量仍为65B，使用了16Btoken的退火代码数据。

• 指令微调阶段为了提升模型理解和执行复杂自然语言指令的能力，采用了OpenCoder提供的436K大小的SFT样本。

  论文链接：https://arxiv.org/abs/2411.04905

  不过，不像Qwen2.5-Coder用了SFT之后有非常显著的增益，Diffusion模型微调之后性能提升非常有限。这说明当前dLLM在指令对齐能力上仍有差距。

• 后训练阶段引入自研的Coupled-GRPO算法，这是团队为dLLM量身打造的强化学习机制，进一步提升DiffuCoder的单次准确率

Coupled-GRPO是为dLLM量身打造的强化学习机制。

常规做法只在「被掩码的token位置上」计算对数概率。

若是采样次数有限，这种方法容易受到训练信号稀疏和方差过大的困扰。

Coupled-GRPO算法抛弃了这种做法。

全新的Coupled-GRPO则在两个「互补的掩码视角」下，评估每个token的概率，从而高效获取完整训练信号。

具体来说，Coupled-GRPO采用对称时间步+互补掩码双路径前向传播，计算开销增长不大，同时采样效率翻倍。

这招打破了「只能在掩码位置学」的老规矩，让每个token都「上场发光」，堪称扩散范式的一次策略级进化。

作者介绍

Sansa Gong

Sansa Gong在香港大学攻读博士学位，导师是Lingpeng Kong。本科和硕士均毕业于上海交通大学。

她的研究兴趣包括扩散语言模型和长上下文语言模型。

此前，她在上海AI实验室的Shark-NLP团队担任自然语言处理研究员，并曾经从事姿态估计、面部识别、层次文本分类和推荐系统的工作。

参考资料：

https://arxiv.org/abs/2506.20639

https://github.com/apple/ml-diffucoder