随着 Gemini-Diffusion，Seed-Diffusion 等扩散大语言模型（DLLM）的发布，这一领域成为了工业界和学术界的热门方向。但是，当前 DLLM 存在着在推理时必须 采用预设固定长度的限制，对于不同任务都需要专门调整才能达到最优效果。 为了解决这一本质的问题，香港中文大学 MMLab，上海 AI 实验室等提出 DAEDAL，赋予 DLLM 可以根据问题的具体情况自主调整回答长度的能力，弥补了 DLLM 与自回归 LLM 的关键差距，为更灵活、高效、强大的扩散大语言模型打下了基石。 论文标题：Beyond Fixed: Variable-Length Denoising for Diffusion Large Language Models 论文地址：https://arxiv.org/abs/2508.00819 代码地址：https://github.com/Li-Jinsong/DAEDAL DAEDAL 作为一种 Training Free 的去噪策略，从一个统一且很短的初始长度开始，让模型根据自己的需求在生成中调节长度，动态扩展，达到了和现有去噪策略 在每个评测基准上精心调整生成 ...