扩散语言模型实测：速度快一倍但难任务通过率仅60%

techNmak · x · 2026-10-14

作者用通俗方式拆解了掩码扩散语言模型与自回归模型的本质区别：扩散模型可在一次前向中并行预测多个未定位置，再按置信度逐步提交，但也因此带来依赖问题——同一轮提交的多个位置无法互相当作新上下文，若彼此强相关，质量会受损，这就是去噪步数与解码顺序重要的原因。

Comet 用 Mercury 2 与 Claude Haiku 4.5 在 30 个编码任务上各跑 20 次做对比：Mercury 端到端平均约 3.0 秒 vs Haiku 的 6.0 秒，但整体通过率 84% vs 99.7%；难任务上 Mercury 仅 60%，把 reasoningeffort 调到 high 后提升到 83%，延迟升至约 7.1 秒。作者提醒这些数字混入了网络与服务开销，不能据此断言扩散比自回归快一倍。