扩散模型在图像领域应用已久——图像是连续信号； 但语言是离散信号，如何将扩散模型用于语言，一直是业界难题。

针对这一难题，Stanford（Inception Labs）的 SEDD 与 我们的 RDM 是最早的奠基工作， 之后分别衍生出了 Mercury 和 Dream。

Any-Order 训练的理论挑战：所有可能的顺序组合是指数级的——若穷举训练，算力要求将爆炸式增长，scaling 根本无法实现。

扩散智能的核心突破：选择有意义的 order 来学习，而非穷举所有 order—— 将训练算力需求从指数级增长降至多项式规模增长， 让扩散语言模型的 scaling 成为可能。

ICML 2025 Outstanding Paper 演讲，扩散语言模型综述，将 Dream 系列、Google Gemini Diffusion、Inception Labs Mercury 并列为行业三大顶尖 DLLM。

• 扩散智能的 Dream 系列模型与 Inception 的 Mercury 同属扩散语言模型范式
• HuggingFace 开源下载 140万+，社区验证全球领先
• 规划任务性能媲美甚至超越 Inception 最新模型

类似数独这类应用，说明了在需要强规划以及多轮次思考的问题上，扩散语言模型在节约资源以及更强智能上的优势更加明显。

• AR：token-by-token，需 349 步试错回溯
• Diffusion：全局并行去噪，30步完成
• 步数比：约 11× 效率优势

• 大幅超越此前所有开源扩散模型
• 整体追平顶尖开源 AR 模型
• LiveCodeBench 高难度任务上实现性能反超
• HumanEval 82.9 · MBPP 79.6 · EvalPlus 73.1

Dream 在代码生成中自发涌现出非从左往右的生成顺序：先生成整体框架，再填充具体实现——更接近人类工程师的真实编程逻辑。

这是扩散模型"全局建模"能力在编程领域的自然涌现，自回归模型无法复现。

华为鸿蒙已提出 Generative UI 的商业化合作意向——根据用户意图实时生成操作界面，响应时间 <200ms。

这正是 DLLM 并行生成速度的天然应用场景，AR 模型无法满足实时性要求。

智能驾驶 · 智能座舱方向的需求旺盛，包括与华为引望、智界、欧卡智舶等的技术合作在学校期间已经开展。

DLLM 大幅降低智驾推理延迟，同时支持规划能力更强的统一 VLA 模型。

我们最看好具身智能方向——Dream-VLA 在 Benchmark 上已全面超越所有 AR-based VLA，泛化能力与数据效率更强。

扩散模型双向建模的动作一致性优势，有望开启具身智能的 ChatGPT 时刻。

VLM：自回归 PaliGemma（SigLIP + Gemma）
Action：扩散 Flow Matching action expert
结构：AR语言头 + 扩散动作头 双头拼接

双向建模使得图像信息和文本信息可以充分交互，带来基模理解生成能力的整体提升。

DLLM 的规划能力可以迁移到多模态模型，生成更优的全局规划，使得动作序列一致性更强。

数据效率：只使用公开数据进行训练时，Dream-VLA 较其他模型有较大的领先。

泛化能力：现有具身智能模型泛化性不足，基本只能在训练场景做好，新场景或细微变化下表现差。Dream-VLA 在模型架构与数据效率上的优势，使其很有可能在未来带来具身智能的 ChatGPT 时刻。

传统端到端模型因推理能力不足，泛化性能较差——需要记住大量 corner case 才能增强智驾能力，开发成本极高。

而 VLA 模型凭借强大的语言模型推理能力，在复杂场景下具备更强的泛化与规划深度，逐渐成为新一代智驾的主流方案。

• 智驾 ～70% 延迟来自语言 token 推理
• 引入 DLLM 可大幅降低推理延迟，实时性更好、安全性更高
• 推理深度更强，规划质量更优
• 需要同时规划 N 步动作的场景，DLLM 天然适合

Orchestration 指挥家模型负责决策分发——判断哪些任务交给云端大模型处理，哪些任务在本地完成。 DLLM 规划能力更强的特点，使其天然适合部署在一体机上承担这一角色。

涉及隐私或敏感数据的任务由本地 DLLM 直接处理，数据不出本地，合规性与安全性大幅提升。

简单任务本地解决，复杂任务才调用云端——减少不必要的 API 调用，显著降低推理成本。