本文由中国人民大学高瓴人工智能学院李崇轩、文继荣教授团队和蚂蚁集团共同完成。共同一作聂燊和朱峰琪是中国人民大学高瓴人工智能学院的博士生，导师为李崇轩副教授，论文为二者在蚂蚁实习期间完成。蚂蚁集团张晓露、胡俊，人民大学林衍凯、李崇轩为共同项目负责人。李崇轩副教授为唯一通讯作者。LLaDA 基于李崇轩课题组的前期工作 RADD [1] 和 SMDM [2]。目前这两篇论文均已被 ICLR2025 接收。
近年来，大语言模型（LLMs）取得了突破性进展，展现了诸如上下文学习、指令遵循、推理和多轮对话等能力。目前，普遍的观点认为其成功依赖于自回归模型的「next token prediction」范式。这种方法通过预测下一个词的方式拆解语言联合概率，形式化如下：
最近，人大高瓴李崇轩、文继荣团队和蚂蚁集团的研究员提出了一种新的洞察：大语言模型展现的语言智能（如上下文学习、指令遵循、推理和多轮对话等能力）并非自回归机制独有，而在于背后所遵循的生成建模原则，即通过最大似然估计（或最小化 KL 散度）来逼近真实语言分布。
正是基于这一理念，团队开发了 LLaDA（Large Language Diffusion with mAsking）—— 一种基于掩码扩散模型的语言生成方法。与传统自回归模型不同，LLaDA 采用了前向掩码加噪和反向去噪的机制，不仅突破了单向生成的局限，还通过优化似然下界，提供了一种不同于自回归的、原理严谨的概率建模方案。
通过大规模实验，LLaDA 8B 在可扩展性、下游语言任务中全面媲美现代大语言模型，如 Llama3 8B。这些结果一定程度上表明，LLMs 的核心能力（如可扩展性、上下文学习和指令遵循）并非自回归模型独有，而是源自于合理的生成建模策略和充分的模型数据规模。LLaDA 不仅提出了一种新的大语言模型的概率建模框架，也有助于我们进一步理解语言智能。
团队预计近期开源推理代码和 LLaDA 8B Base 权重，后续还将开源 LLaDA 8B Instruct 权重。
性能展示
卓越的可扩展性。在多个语言任务上，LLaDA 和自回归模型基线进行了严格对比。实验表明，在相同的数据条件下，LLaDA 在 MMLU、GSM8K 等多个任务上展现了与自回归模型相当的表现，证明了其在高计算成本下的强大扩展能力。即使在某些相对薄弱的任务上，随着模型规模的增大，LLaDA 也能迅速缩小与自回归模型之间的性能差距。
出色的上下文学习与指令遵循能力。在涵盖 15 个热门基准测试（包括通用任务、数学、代码及中文任务）的评测中，预训练了 2.3T tokens 的 LLaDA 8B Base 模型凭借强大的 zero/few-shot 学习能力，整体表现超越了 LLaMA2 7B Base （预训练 tokens 2T），并与 LLaMA3 8B Base （预训练 tokens 15T）媲美。在经过监督微调（SFT）后，LLaDA 的指令遵循能力得到了显著提升，能在多轮对话及跨语种生成任务中保持连贯性和高质量输出，充分展现了其对复杂语言指令的良好理解和响应能力。
下图是在一些热门基准上 LLaDA 和 LLaMA3 以及 LLaMA2 的性能对比，详细结果请参见论文。
平衡的正向与逆向推理能力。传统自回归模型在逆向推理任务中常常存在「逆向诅咒」[3] 问题，好比当模型在「A is B」数据上训练之后无法回答「B is A」。而 LLaDA 则通过双向的概率建模机制，有效克服了这一局限。在诗歌补全任务中，LLaDA 在正向生成与逆向生成上均取得了均衡表现，尤其在逆向任务中明显超越了 GPT-4o 和其他对比模型，展现了强大的逆向推理能力。
多场景下的实际应用效果。除了标准测试指标外，我们在多轮对话、数学题解和跨语言文本生成等实际应用场景中也看到了 LLaDA 的出色表现。无论是复杂问题求解、指令翻译，还是创意诗歌生成，LLaDA 都能准确把握上下文并生成流畅、合理的回答，充分验证了其在非自回归生成模式下的应用前景。
下图是 LLaDA 在回答用户提问的一个例子，用户输入的 prompt 是「Explain what artificial intelligence is」。LLaDA 采取了一种不同于自回归模型从左到右的生成方式。
下图是 LLaDA 同用户进行多轮对话的场景。LLaDA 不仅正确回答了诗歌《未选择的路》的前两句，而且成功将英文翻译成中文和德语，并且按照用户要求创作了一首五行，且每一行均以字母 C 开头的诗歌。
核心方法
下图展示了 LLaDA 的预训练、监督微调以及采样过程。
概率建模框架。LLaDA 通过前向过程和反向过程来定义模型分布
。在前向过程中，对文本
中的 tokens 进行逐步独立掩码，直到在 t=1 时整个序列被完全掩码。当
时，序列
是部分掩码的，每个 token 有概率 t 被掩码，或者以概率 1-t 保留原样。而反向过程则通过在 t 从 1 逐步减小到 0 的过程中反复预测被掩码的 tokens，从而恢复出数据分布。LLaDA 的核心是一个参数化的掩码预测器
，其训练目标仅对被掩码部分计算交叉熵损失：
前期工作 [2] 已证明该目标函数为负对数似然的上界，从而为生成建模提供了严格的理论依据。
预训练。LLaDA 使用 Transformer 作为掩码预测器，并且不采用因果掩码，从而能够利用全局信息进行预测。预训练在 2.3 万亿 tokens 的数据上进行，这些数据涵盖通用文本、代码、数学以及多语言内容。对于每个训练序列 ，先随机采样 ，然后以相同概率 t 对每个 token 进行独立掩码得到 ，并通过蒙特卡罗方法估计目标函数
进行优化。为增强对变长数据的处理能力，部分数据采用了随机长度。LLaDA 采用 Warmup-Stable-Decay 学习率调度器和 AdamW 优化器，设置总批量大小为 1280（每 GPU 4）。
监督微调（SFT）。为了提升模型的指令遵循能力，LLaDA 在监督微调阶段使用成对数据
进行训练，其中
为提示，
为响应。在 SFT 中保持提示 不变，对响应 进行独立掩码生成 ，然后计算如下损失：
其中
为响应的动态长度。整个过程与预训练一致，只是所有被掩码的 token 均来自响应部分。SFT 在 450 万对数据上进行，使用类似预训练的学习率调度和优化器设置。
推断。给定提示 ，模型从完全掩码的响应开始，通过离散化的反向过程逐步恢复文本。在每一步，模型预测所有被掩码 token 后，会按一定比例对部分预测结果进行再掩码，以保证反向过程与前向过程一致。对于条件似然评估，LLaDA 使用了下面这个和
等价但是方差更小的目标函数：
其中 l 是从
中均匀采样得到，
是通过从 中不放回地均匀采样 l 个 token 进行掩码得到。
总结
扩散语言模型 LLaDA 首次展示了通过前向掩码加噪与反向去噪机制，同样可以实现大语言模型的核心能力。实验表明，LLaDA 在可扩展性、上下文学习和指令遵循等方面表现优异，具备与传统自回归模型相媲美甚至更优的性能，同时其双向生成与增强的鲁棒性有效突破了自回归建模的固有限制，从而挑战了「大语言模型的智能必然依赖自回归生成」的传统观念。