DC-Leap：无需训练的dLLM加速新方法，最高提速105倍
扩散大语言模型（dLLMs）正成为生成式AI领域的新焦点，但推理速度慢始终是制约其落地的瓶颈。近期，来自中国多所高校的研究团队提出了一种名为 DC-Leap 的训练无关加速框架，在标准基准测试中实现了最高 105.02倍 的推理加速，且生成质量基本不变。
痛点：保守阈值与冗余迭代
dLLMs 的核心优势在于其并行解码能力，但现有加速策略普遍存在一个问题：置信度阈值设置过于保守。这背后是所谓的“联合概率依赖误差”（JPDE）——由于并行解码时无法准确捕捉token间的因果依赖关系，模型不得不采用更严格的阈值来保证生成质量，结果导致大量去噪迭代变得冗余，推理效率大打折扣。
DC-Leap 的创新：两步走破解依赖难题
DC-Leap 框架包含两大核心机制，旨在安全地突破保守阈值限制：
动态连续验证（Dynamic Contiguous Verification）：该方法将严格有序的因果约束直接融入并行解码过程。通过逐步验证token之间的依赖关系，DC-Leap 能够有效消除 JPDE 带来的不确定性，从而在中等置信度区间内实现可靠加速，同时保持与原始模型相当的性能。
草稿引导解码（Draft-Guided Decoding）：借助一个“草稿”模型先行生成多个连续token，为后续解码提供“前瞻上下文”。这种机制不仅扩展了上下文窗口，还能保留双向注意力在推理时的结构优势，进一步提升长序列生成场景下的效率。
实测表现：长序列生成尤为亮眼
实验在多个标准基准上进行。在短序列任务中，DC-Leap 的加速比相对温和；但在长序列生成任务上，优势极为突出：
- 在 MBPP（代码生成）任务中，加速比达到 53.19倍；
- 若结合 KV-Cache 优化，整体加速比可飙升至 105.02倍。
值得注意的是，这些加速是在不牺牲生成质量的前提下实现的——论文指出，DC-Leap 在多个评测指标上与原始 dLLM 表现相当，甚至在某些场景下略有提升。
行业意义：dLLM 实用化的关键一步
dLLMs 凭借其独特的反向扩散过程，在可控生成、多模态融合、逆向推理等任务上展现出传统自回归模型难以比拟的优势。然而，推理效率一直是其走向工业级应用的“阿喀琉斯之踵”。DC-Leap 提供了一种无需额外训练、即插即用的加速方案，意味着现有 dLLM 模型可以直接受益，无需重新训练或大幅改动架构。
局限与展望
目前 DC-Leap 的加速效果在长序列场景下最为显著，短序列或小批量任务中的收益相对有限。此外，草稿模型的质量直接影响最终加速比，如何自适应地调整草稿策略，可能是后续优化的方向。
论文及代码已公开，研究团队表示将继续探索 DC-Leap 在更大规模 dLLM 及多模态扩散模型上的应用。对于 AI 基础设施团队而言，这无疑是一个值得关注的效率提升工具。