# ALoDLM论文提出按Token难度分配计算量的扩散语言模型

> 研究人员推出ALoDLM，这是一种按Token分配计算量的扩散语言模型，在基准测试中胜过同等规模的自回归模型。

Oossa · 2026-10-06 · https://oossa.com/zh/alodlm-paper-proposes-token-adaptive-diffusion-language-models

由Liancheng Fang和Zhuowei Li领衔的团队于2026年10月6日发布论文，介绍了ALoDLM。这是一种根据每个Token的预测难度调整计算量的扩散语言模型。模型会迭代优化潜在表示：较容易预测的Token会较早确定，较难预测的则会经过更多轮处理。ALoDLM采用1.7 billion和8 billion参数规模进行训练，在11项基准测试中胜过所有受测扩散模型及同等规模的自回归基线模型，同时保持了快速并行解码能力。

## 事实

- 论文发表于2026年10月6日（“Tue Oct 06 2026”）
- 模型以1.7 B和8 B参数规模进行训练

## 为什么重要

如果这种方法能够扩展应用，开发者或许能在不牺牲速度的前提下生成质量更高的文本，让需要快速、可靠AI写作的应用受益。

## 来源与参考

1. [ALoDLM: Adaptively Looped Diffusion Language Models](https://arxiv.org/abs/2610.04198) – arXiv, 2026-10-06

最后更新: 2026-10-06