清华团队的一项理论工作首次把扩散语言模型的三条路线分开：在特定构造的分布中，uniform 和 Gaussian 扩散只需约 √d 个生成步骤，masked 扩散却可能需要 d 步，差距达到平方根级。
值得关注的是，它改变的不是榜单名次，而是行业判断模型效率时使用的尺子：以后比较并行能力，可以先问文本本身有多复杂，而不必只看一次生成能处理多少位置。
这是什么
扩散语言模型的卖点，是不必像自回归模型那样按顺序逐个生成词元，而是同时修改多个位置，以减少计算轮次。其内部主要有 masked、uniform 和 Gaussian 三条路线，但过去主要依赖跑分比较，模型规模、数据和训练方法都会干扰结论。
清华这项研究提出用“内在复杂度”衡量一段文本真正需要计算的信息量，并证明三种路线都能做到生成步数随内在复杂度缩放。进一步的分离结果显示，uniform 和 Gaussian 在特定条件下具有平方根级的步数优势；masked 路线较慢的关键并非直觉中的“一次承诺多个词元”，而是采样窗口更窄。
行业怎么看
对模型团队而言，这是选型依据的实质进展：至少在理论定义的最坏情况下，uniform 和 Gaussian 拥有结构性优势，不必继续把 masked 当作扩散语言模型的默认答案。论文也提醒，既有“masked 因承诺机制而难以并行”的解释并不成立，行业需要重新检查那些听起来合理却未经证明的共识。
但风险同样明确。这组结论依赖特定的评分器假设和构造分布，真实模型上的差距可能只是固定常数，而非平方根级；论文目前也没有用真实训练实验验证。更重要的是，路线竞争还取决于训练难度、工具生态和芯片适配，理论上的生成步数并不等于更低的商业成本。
对普通人的影响
对企业 IT：未来评估文本生成方案时，可同时考察速度、训练成本和现有生态，而不只看公开跑分；理论结论更适合用来设计验证实验，而非直接决定采购。
对个人职场：文档处理、批量分析和内容生产等场景可能获得更快的模型响应，但速度提升能否进入日常工具，仍取决于真实部署中的质量和稳定性。
对消费市场：如果新路线能把推理成本压低，长文本和多轮交互产品的价格可能进一步下降；消费者实际感受到的变化，仍要等模型厂商完成工程化落地。