在人工智能的不断发展中，扩散模型在推理能力上逐渐崭露头角，现如今，它们不再是自回归模型的 “跟随者”。近日，来自加州大学洛杉矶分校（UCLA）和 Meta 的研究者们联合推出了一种名为 d1的新框架，该框架结合了监督微调(SFT)和强化学习(RL)，使扩散模型具备更强的推理能力，包括数学理解、逻辑推理等。
这一创新的 d1框架通过两阶段的后训练策略来提升掩码大语言模型（dLLM）的性能。在第一阶段，模型通过高质量的推理轨迹进行监督微调，从而掌握基础知识和逻辑推理能力。接着，在第二阶段，研究者们引入了一种名为 diffu-GRPO 的新型策略梯度方法，这一方法专门针对掩码 dLLM 进行了优化，大幅提高了推理效率。
与以往的研究相比，d1的提出旨在解决扩散模型在强化学习后训练中的挑战。传统的自回归模型通过对生成序列的对数概率进行计算，从而优化模型的输出，而 dLLM 则因其迭代生成的特性，面临计算上的困难。为此，研究团队开发了一种高效的对数概率估计器，通过独立计算每个 token 的概率，极大地减少了计算时间并提高了训练效率。
在实验中，研究者使用 LLaDA-8B-Instruct 作为基础模型，比较了 d1-LLaDA 与仅使用 SFT 或 diffu-GRPO 训练的模型。结果显示，d1-LLaDA 在多个数学和逻辑推理测试中表现优异，远超基础模型和单一方法。这一组合式的方法不仅增强了模型的推理能力，还展示了良好的协同效应。
随着 d1框架的推出，扩散模型在推理任务中的表现将迎来新的提升，也为后续的研究提供了广阔的空间。研究者们相信，这一创新的框架将推动语言模型的进一步发展，助力更复杂的推理和逻辑任务的实现。
项目地址:https://top.aibase.com/tool/d1
