機器之心編輯部

這兩年，擴散語言模型（Diffusion LLM）一直是個很有討論度的方向。

和傳統(tǒng)自回歸模型不同，擴散模型不是嚴格按從左到右一個 token 一個 token 往外吐，它在生成方式上更靈活，也天然更適合并行建模?？蓡栴}也一直擺在那里：這條路很有潛力，但真正把效果做上去并不容易。

最近有一篇來自華為諾亞方舟實驗室的工作，探究了擴散模型訓練中的 “默認設置”。論文標題叫 Mask Is What DLLM Needs: A Masked Data Training Paradigm for Diffusion LLMs。作者沒有先去改模型結構，而是把目光放回了訓練過程里一個看起來很基礎、但其實一直被默認接受的設定：masking 到底該怎么做

• 論文鏈接：https://arxiv.org/abs/2603.15803
• 數(shù)據(jù)集鏈接：https://huggingface.co/datasets/malr07/opc-sft-stage2-dense-extracted

這篇文章給出的判斷是，現(xiàn)有很多離散擴散語言模型在訓練時采用的均勻隨機 masking，其實有點 “平均用力” 了。

這個問題在一般文本里可能還沒那么明顯，但到了代碼和數(shù)學推理任務上，就會變得很突出。因為這類數(shù)據(jù)里，真正決定模型能不能做對的，往往只是少數(shù)幾個關鍵位置：在代碼任務里，可能是關鍵的分支條件、判斷邏輯；在數(shù)學里，可能是關鍵的化簡步驟、函數(shù)替換，這些東西顯然比連接詞或者格式內容更重要。事實上，真實序列里的信息密度本來就不是均勻分布的，而傳統(tǒng)隨機 masking 卻默認每個位置都差不多，這會被動地讓模型把不少優(yōu)化資源花在不那么關鍵的地方。

說白了，就是模型學的時候沒太分清主次，所有東西都一樣對待了。

不是所有 token 都一樣重要

這篇工作的核心想法其實一句話就能概括：

既然不同 token 的信息量不一樣，那訓練時就不該對它們一視同仁。

圍繞這個想法，作者提出了一個更加 Smart（Input Information Density Aware）的 Noise Scheduler。它做了一件很簡單且直觀的事情：先想辦法把樣本里那些 “信息密度高” 的位置找出來，然后在訓練時更優(yōu)先地 mask 掉這些位置，逼著模型去學會恢復真正關鍵的部分。

這套做法背后的直覺其實很自然，人做完形填空的時候，也不會覺得補一個逗號和補一句關鍵結論的難度是一樣的。真正能拉開差距的，通常就是那些牽一發(fā)而動全身的地方。論文里也提到，這種設計的直覺和人類的挖空練習很接近：更高效的學習，往往不是去恢復冗余內容，而是去恢復核心概念。

先找 “重點”，再決定怎么 mask

具體做法上，作者先做了一步高信息密度區(qū)域提?。⊿tep 1）。

對于代碼數(shù)據(jù)和數(shù)學數(shù)據(jù)，作者設計了一些不同的 criteria。將數(shù)據(jù)中的關鍵信息區(qū)域提取出來之后，這些區(qū)域會在原始序列中被高亮標記出來，后面訓練時的噪聲調度就會參考這些特殊標記。

接下來進入真正的 masking 階段（Step 2）。和傳統(tǒng)做法不同，這里不是所有位置都按同樣概率被 mask。作者把序列分成兩類：一類是優(yōu)先區(qū)域，也就是那些信息密度高的 token；另一類是普通區(qū)域。前者會被賦予更高的 mask 概率，后者保持較低概率。與此同時，整體的 mask 比例仍然會被控制住，不會因為 “偏心” 了某些位置就把整個噪聲調度搞亂。

這個設計最關鍵的一點在于，它不是單純 “多遮一點”，而是把訓練難點往真正值得學的地方推。模型被反復要求補全的，不再只是隨機缺失的內容，而是那些決定代碼是否成立、推理是否走通的關鍵片段。

另一個小巧思：一條數(shù)據(jù)，兩種學法

如果只是優(yōu)先 mask 掉高信息區(qū)域，很容易讓人擔心另一個問題：模型會不會變得更會 “做題”，但對語言結構本身？

所以這里引入了擴散模型訓練中常用的 Complementary Masking。

思路是：對同一條樣本，Trainer 不只根據(jù)前文的 token-level 優(yōu)先標記構造一個 priority mask，還會構造它的完全邏輯互補版本。也就是說，一份樣本會變成兩種互補的訓練視角：一種把重點放在邏輯骨架上，另一種則更多保留這些關鍵位置，轉而讓模型去處理結構、語法和上下文連貫性。

這種將互補掩碼與優(yōu)先級掩碼結合的設計得到了一種 1+1>2 的效果，因為它沒有把問題簡化成 “只要盯住重點就行”，而是承認：語言模型最終還是既要會推理，也得會組織語言。前一種視角更像是在逼模型抓住關鍵邏輯，后一種視角則是在防止它把句子寫散、把上下文關系學丟。論文把這種效果稱為一種基于信息密度的 decoupling，本質上是在把一條訓練樣本里的不同學習目標拆開。

改改噪聲調度就能直接提點

實驗部分，作者使用 LLaDA-2.0-mini 作為基礎模型，在代碼和數(shù)學數(shù)據(jù)上進行訓練，最后在 HumanEval、MBPP、GSM8K、MATH500 四個 benchmark 上做評測。結果顯示，相比標準的隨機 masking baseline，這套方法的平均成績提升了大約 4%。

這個幅度不屬于那種一眼看上去特別炸裂的數(shù)字，但放在這里其實挺有說服力。原因在于，這項工作并沒有去改 backbone，也沒有上特別重的額外模塊，它動的是訓練范式本身，兩個數(shù)字之間唯一的差異只有噪聲調度。換句話說，它不是靠 “再堆一點結構” 把結果抬上去，而是證明了只要訓練信號分配得更合理，擴散模型本身還有不少潛力沒被用出來。

有個消融結果很值得注意：不是越狠越好

論文里另一個有啟發(fā)性的部分，其實是關于 hard masking 和 soft masking 的比較。

直覺上你可能會覺得，既然高信息區(qū)域重要，那就干脆把這些位置狠狠遮掉，讓模型專門練這個，不是更好嗎？但實驗結果并不是這樣。作者發(fā)現(xiàn)，確定性的 hard masking 反而容易把訓練搞壞，效果反而不如帶概率的 soft masking。

他們給出的解釋也挺合理。代碼和數(shù)學里的高信息區(qū)域，很多時候在文本里是連續(xù)出現(xiàn)的。如果把這一整段連續(xù)內容都直接硬遮掉，那么在 block diffusion 的訓練過程中，就相當于突然挖掉了一大片局部錨點，出現(xiàn)了一大片連續(xù)的 “內容黑洞”。論文把這個現(xiàn)象叫做 contextual collapse：局部參照一旦沒了，訓練過程就容易失穩(wěn)，梯度軌跡也會變得很難控制。相比之下，soft mask 雖然也提高了這些位置被遮掉的概率，但畢竟還保留了隨機性，不至于每次都把關鍵部分整個掏空，因此優(yōu)化會平滑得多。

這一點其實挺像很多訓練技巧最后都會落到的那個結論：方向對了不代表力度越大越好，給模型留一點緩沖，往往更重要。

只處理一小部分數(shù)據(jù)，就已經能看到收益

另一個比較實用的發(fā)現(xiàn)，是這套方法的數(shù)據(jù)效率。

作者沒有要求對全部訓練數(shù)據(jù)都做離線的信息密度提取，而是做了不同比例的數(shù)據(jù)實驗。結果顯示，只對 10% 的代碼數(shù)據(jù)做這一步處理，就已經能把平均成績從 55.32 拉到 59.45。再繼續(xù)往上加到 30%，甚至加到 100%，性能提升會逐漸趨于飽和；到了 100% 時，雖然代碼類指標還能沖高，但數(shù)學推理表現(xiàn)反而會掉下來。論文把這種現(xiàn)象歸因于 domain shift：代碼側結構先驗加得太多，反而擠占了模型在其他推理任務上的泛化空間。

這部分結果挺重要，因為它說明這件事并不一定是個 “高成本、重工程” 的方案。相反，作者給出的結論很明確：不需要全量標注，也不需要把整個訓練流水線推倒重來，只要在一小部分數(shù)據(jù)上引入這種結構化先驗，就能把基礎擴散模型往上推一截。

擴散模型的訓練過程還有很多細節(jié)可供挖掘

從結果上看，這篇工作當然是在講一個 masked data training 的新做法。但如果再往后退一步看，它其實碰到了一個更根本的問題：擴散語言模型到底應該怎樣分配自己的學習注意力。

過去很多工作習慣從模型結構、采樣策略或者推理機制上找突破，這篇文章反而提醒了一件很樸素的事：你讓模型學什么、在哪些位置上用力，本身就會決定它最后學成什么樣。對于 DLLM 這種本來就高度依賴 noising /denoising 過程的模型來說，masking 不是配角，某種程度上它就是訓練邏輯本身的一部分。

論文最后也提到，當前這套信息密度提取流程還是偏離線、偏啟發(fā)式的。后面可以繼續(xù)往幾個方向走，比如基于 AST 的規(guī)則提取、基于模型自身置信度的自適應提取，或者干脆引入 GAN 的思想做成端到端可學習的對抗式 mask 模塊。

如果這些方向后面能繼續(xù)推進，那這篇工作的意義可能就不只是 “提出了一個有效的小改動”，而是在給 Diffusion LLM 提供一種更像樣的訓練思路：

先別急著讓模型學會所有東西，先讓它學會什么東西值得優(yōu)先學。