# ORL acelera hasta 7× los modelos de difusión de lenguaje

> El nuevo marco ORL permite que los modelos de difusión 4B decodifiquen más rápido sin perder calidad y superen los 5.000 tokens por segundo en una sola GPU.

Oossa · 2026-10-16 · https://oossa.com/es/orl-speeds-up-diffusion-language-models-up-to-7

Un equipo de investigadores liderado por Yifan Yu presentó ORL, un método de aprendizaje residual on-policy para modelos de difusión de lenguaje. ORL entrena el modelo con sus propias secuencias de predicción y añade una función de pérdida de contracción de entropía para afinar los resultados. En un modelo 4 B convertido a partir de Qwen3‑4B, ORL multiplicó por hasta 6,2 los tokens por pasada directa y aumentó el rendimiento general alrededor de 6,9 veces, igualando o superando la calidad de los modelos autorregresivos. La misma técnica aceleró 1,5 veces LLaDA‑2.1‑mini y produjo mejoras modestas en DiffusionGemma.

## Los hechos

- Artículo publicado el 2026-10-16 («PUBLISHED: Fri Oct 16 2026»).
- ORL alcanzó hasta 5.046 tokens/s en una sola GPU B200.

## Por qué importa

Los desarrolladores pueden implementar generación de texto más rápida y de alta calidad en GPU de consumo, reduciendo los costos y la latencia de aplicaciones como los chatbots.

## Fuentes y referencias

1. [On-Policy Residual Learning for Diffusion Language Models](https://arxiv.org/abs/2610.20687) – arXiv cs.LG, 2026-10-16

Última actualización: 2026-10-16