在大语言模型（LLM）领域，推理效率是制约其实际应用的关键因素之一。谷歌 DeepMind 的 Gemini diffusion 曾以 1400 tokens / 秒的生成速度震惊学界，展现了扩散模型在并行生成上的潜力。然而，开源扩散 LLM 却因缺乏 KV 缓存机制和并行解码质量衰退，实际推理速度长期被自回归模型压制.
近日，NVIDIA 联合香港大学、MIT 等机构重磅推出 Fast-dLLM，以无需训练的即插即用加速方案，实现了推理速度的突破！
- 论文：Fast-dLLM: Training-free Acceleration of Diffusion LLM by Enabling KV Cache and Parallel Decoding
- 项目地址：https://nvlabs.github.io/Fast-dLLM
- 论文链接：http://arxiv.org/abs/2505.22618
- GitHub 链接：https://github.com/NVlabs/Fast-dLLM
通过创新的技术组合，在不依赖重新训练模型的前提下，该工作为扩散模型的推理加速带来了突破性进展。本文将结合具体技术细节与实验数据，解析其核心优势。
一、 核心技术
分块 KV 缓存与置信度感知并行解码
1. 分块 KV 缓存（Block-Wise KV Cache）：激活重用率超 90% 的双向加速
传统扩散模型因双向注意力机制难以直接复用计算结果，导致长序列推理效率低下。Fast-dLLM 提出分块 KV 缓存机制，通过以下设计实现高效计算：
- 双向缓存策略：采用 DualCache 同时缓存前缀（Prompt）和后缀（Masked Tokens）的注意力激活值（KV Cache），如图 1 (a)(b) 所示。在分块生成时，前序块的 KV 激活可直接复用于后续块，减少重复计算🔄。
- 高相似度验证：实验表明，相邻推理步骤的 KV 激活余弦相似度接近 1（图 2），证明缓存复用的可行性。例如，在 LLaDA 模型中，通过缓存可实现 90% 以上的激活重用，单步计算量显著降低。
2. 置信度感知并行解码（Confidence-Aware Parallel Decoding）
并行解码虽能提升速度，但条件独立假设易破坏 token 依赖关系，比方说这个例子 The list of poker hands that consist of two English words are: _ _.。后续两个单词可以是 “high card,” “two pair,” “full house,” 或者是 “straight flush.”。值得注意的是，这两个单词之间存在关联。
然而，MDMs 中的多令牌预测过程首先为每个令牌生成一个概率分布，然后从这些分布中独立采样。这种独立采样可能导致不理想的组合（如生成 “high house” 等无效组合）。Fast-dLLM 通过动态置信度筛选解决这一问题（所谓置信度，是指模型给 token 赋予的概率大小）：
- 阈值激活策略：仅对置信度超过阈值（如≥0.9）的 token 进行并行解码，低置信度 token 留待后续步骤处理。如图 3 所示，该策略可在保证生成质量的前提下，并行输出多个 token。
- 理论证明：当 (n+1)ϵ≤1 时（n 为并行解码 token 数，并且并行解码的 n 个 token 的置信度都大于 1-ϵ），贪婪解码策略下并行解码与顺序解码结果一致，从数学层面确保了生成逻辑的连贯性。
3. 伪代码：分块 KV 缓存与置信度感知并行解码流程
以下是 Fast-dLLM 算法的核心伪代码，结合了分块 KV 缓存以及置信度感知并行解码，无需训练就可以在现有的开源 Diffusion LLM（如 LLaDA、Dream）上即插即用进行推理加速。
二、 性能突破
速度与精度的均衡优化
1. 长文本生成：27.6 倍端到端加速
在 LLaDA 模型上，针对 1024 token 的长文本生成任务，Fast-dLLM 将单步延迟从 0.26 秒降至 0.09 秒，整体耗时从 266 秒压缩至 12 秒，实现 27.6 倍端到端加速。这一提升在代码生成、数学推理等长序列场景中尤为显著，例如 8-shot 提示的 GSM8K 任务中，加速后仍能保持 76% 的准确率。
2. 精度保持：损失 < 2% 的基准测试表现
在主流基准测试中，Fast-dLLM 的准确率损失控制在 2% 以内：
- GSM8K（5-shot）：LLaDA+Fast-dLLM 准确率为 78.5%，仅比基线低 0.8%，但吞吐量提升 8.1 倍（图 5）。
- HumanEval（代码生成）：准确率达 44.5%，较基线提升 1.2%，同时吞吐量提升 3.7 倍。
- 多模型兼容：在 LLaDA、Dream 等模型上均实现高效加速，验证了技术的通用性。
三、 应用价值
无需训练的即插即用方案
Fast-dLLM 的零训练成本特性使其成为理想的推理优化工具，能够快速集成到现有的系统中。对于那些已经在使用扩散模型的企业和开发者来说，可以在不改变模型架构和训练流程的基础上，直接利用 Fast-dLLM 提升推理效率，缩短长文本生成耗时，为实际部署提供更可行的方案。
四、 总结与展望
Fast-dLLM 通过分块 KV 缓存与置信度感知并行解码的创新组合，实现了扩散模型推理效率的跨越式提升，同时保持了生成质量的稳定性。其技术设计为非自回归生成模型提供了新的优化范式，有望推动扩散模型在实时交互、长文本生成等场景中的广泛应用。未来，随着模型规模的扩大和蒸馏技术的深化，Fast-dLLM 或将进一步缩小与自回归模型的性能差距，成为 LLM 推理加速的核心方案之一。
