Uno 混合扩散 LLM 引争议:称超越同级,实测被质疑夸大
joao_gante · x · 2026-09-04
研究者 ssahoo 发布了名为 "Uno" 的新架构,旨在解决扩散 LLM 相对自回归(AR)模型的两大短板:质量更低、大批量下推理更慢。
Uno 的设计:
- 保留 LLM 的 AR 架构
- 每层拥有两组权重:AR 权重和 Diffusion 权重
- Diffusion 权重可从 AR 分布无损并行采样
宣称结果:速度超过所有投机解码方法(DFlash、EAGLE-3),质量超越所有扩散 LLM(Mercury 2、Diffusion Gemma、Llada)。论文、模型与代码均已放出。
争议:研究者 bodonoghue85 指出 "Beats ALL diffusion LLMs" 说法不实——在延迟-质量权衡上,Uno-Qwen 明显被 Mercury 2 和 DiffusionGemma Pareto 支配,且原稿 strangely 缺失 Uno 的 LCBv6 数据。
所属事件:Uno架构让扩散LLM质量与速度兼得，但实测数据引质疑(3 条相关)→
「研究」频道最新
- 巴黎 UniReps 研讨会开放征稿,聚焦跨模型表示统一,截稿 10 月 4 日 — ClementineDomi6 · 2026-09-04
- Utopia 开源双时态知识图谱，让 RAG 记住知识的演变 — Shruti_0810 · 2026-09-04
- 情绪不是理性顾问,而是思维搜索的元控制平面 — mimi10v3 · 2026-09-04
- f-loss 平衡频谱学习，像素级 Flow Matching 收敛提速 — serrjoa · 2026-09-04
- 被烂 ML 论文逼到读科学哲学：研究者推荐三篇必读 — _lewtun · 2026-09-04
- 「第二苦涩教训」：Sutton 之后，扩展该失败于应用层 — alexvoica · 2026-09-04