# ORL, difüzyon dil modellerini 7 kata kadar hızlandırıyor

> Yeni ORL yöntemi, 4B difüzyon modellerinin kaliteden ödün vermeden daha hızlı metin üretmesini sağlıyor. Tek bir GPU’da saniyede 5.000’den fazla token hızına ulaşıyor.

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

Yifan Yu liderliğindeki araştırmacılar, difüzyon dil modelleri için politika içi artık öğrenme yöntemi ORL’yi tanıttı. ORL, modeli kendi tahmin yolları üzerinde eğitiyor ve çıktıları netleştirmek için entropi daraltma kaybı ekliyor. Qwen3‑4B’den dönüştürülen 4 B’lik bir modelde ORL, ileri geçiş başına token sayısını 6,2 kata kadar, toplam verimi ise yaklaşık 6,9 kat artırırken otoregresif modellerle aynı veya daha iyi kalite sundu. Aynı yöntem, LLaDA‑2.1‑mini’de hızı 1,5 kat artırdı; DiffusionGemma’da ise daha sınırlı kazanımlar sağladı.

## Gerçekler

- Makale 2026-10-16 tarihinde yayımlandı ("PUBLISHED: Fri Oct 16 2026").
- ORL, tek bir B200 GPU’da saniyede 5.046 token hızına ulaştı.

## Neden önemli

Geliştiriciler, sohbet botları gibi uygulamalarda maliyetleri ve gecikmeyi azaltarak tüketici sınıfı GPU’larda daha hızlı ve yüksek kaliteli metin üretimi sunabilir.

## Kaynaklar ve referanslar

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

Son güncelleme: 2026-10-16