RESEARCH · ZUR AUSGABE

FORSCHUNGSIMPULS · 08. September 2026

Unlocking Lossless Speedups in LLMs via Discrete Diffusion

Uno ergänzt autoregressive Sprachmodelle um diskrete Diffusion, um mehrere Tokens parallel und laut Evaluation ohne Qualitätsverlust zu erzeugen.

WARUM DAS WICHTIG IST

Für Teams mit festen Kontextfenstern ist dies ein konkreter Ansatz, Inferenzzeit zu senken, ohne ein separates Entwurfsmodell zu betreiben.

AI THOR · VISUELLE EINORDNUNG

Vom Forschungsproblem zur praktischen Bedeutung

Aus der vorliegenden Paper-Analyse abgeleitet

01

Ausgangslage

Uno ergänzt autoregressive Sprachmodelle um diskrete Diffusion, um mehrere Tokens parallel und laut Evaluation ohne Qualitätsverlust zu erzeugen.

02

Methode

Diskrete Diffusion zur parallelen Token-Generierung

03

Befund

Uno kombiniert autoregressive Next-Token-Vorhersage mit diskreter Diffusion für parallele Token-Generierung.

04

Anwendung

Ψ-Spec für latenzkritische Anwendungen mit festen Kontextlängen evaluieren.

05

Grenze

Für bestehende autoregressive Modelle müssen spezifische Diffusionsgewichte trainiert werden.

Redaktionelle Strukturvisualisierung von AI THOR; keine Originalabbildung des Papers.

DIE ANALYSE IM DETAIL

Was das Paper Kapitel für Kapitel zeigt.

Die folgenden Abschnitte verdichten die vollständige Paper-Analyse auf Deutsch, ohne die zentralen Argumentationsschritte auszulassen.

01

Unlocking Lossless Speedups in LLMs

Einleitung und Motivation: LLMs sind wegen sequentieller Token-Generierung langsam; Diffusions-gestützte Modelle sollen mehrere Tokens parallel erzeugen, ohne Qualitätseinbußen.

02

Drop-in Phase

Integration: Beschreibt Trainingsphase, in der Diffusionsgewichte durch Diffusion Distillation zu bestehenden AR-Modellen hinzugefügt werden, mit minimalem Overhead.

03

Uno

Vorstellung des Uno-Modells: Parametertrennung in AR-Gewichte (Standard-Training) und Diffusionsgewichte (parallel Token-Generierung), was hohe Geschwindigkeit bei gleichbleibender Güte ermöglicht.

04

Ψ-Spec Sampling

Präsentation der Sampling-Methode: Familie von Samplern für verlustfreie Beschleunigung und Skalierung, ohne getrenntes Entwurfsmodell und ohne Kompromisse bei Ergebnisqualität.

05

Evaluation Agentic Tool Use

Benchmark-Ergebnisse: Uno übertrifft führende spekulative Dekodierer und Diffusionsmodelle bei Agentic Tool Use; demonstriert in Vergleich mit Tau2 Banking.

06

Evaluation Agentic Terminal Use

Performance auf Terminal-Bench v2.1: Uno zeigt bessere Geschwindigkeit und Güte in praxisnahen Terminal-Interaktionsaufgaben.

07

Evaluation Long Context Reasoning

Langzeit-Kontext-Reasoning (AA-LCR) Benchmark: Uno demonstriert überlegene Skalierbarkeit bei langen Kontexten, mit konstant hoher Qualität.

08

Evaluation Agentic Coding

Software-Coding Leistung auf SWE-Bench Verified: Uno erzielt bessere Ergebnisse als DiffusionGemma (26B) und Mercury 2, trotz kleinerer Modellgröße.

ABSTRACT IM ORIGINAL LESEN

Large Language Models (LLMs) owe much of their success to next-token prediction (NTP), but their autoregressive (AR) structure requires slow, sequential token generation. To overcome this bottleneck, we introduce diffusion-augmented LLMs, a new class of models that defines an AR model distribution while using diffusion to draw multiple tokens in parallel from that distribution. We decouple the parameters of these models into two sets: AR weights, trained using the standard NTP objective, and lightweight diffusion weights, trained to generate multiple tokens simultaneously. The diffusion weights are learned through a simple Diffusion Distillation phase that adds negligible overhead to existing LLM training pipelines. We also introduce $\Psi$-Spec, a family of samplers that enables lossless acceleration and inference-time scaling at a fixed context length. Unlike speculative decoding, our method requires no separate draft model. Unlike diffusion LLMs (d-LLMs), it accelerates generation without sacrificing the quality of the underlying AR model. The resulting models, called Uno, can be trained from scratch or built by augmenting existing open-weight AR LLMs. Uno achieves higher throughput than leading speculative-decoding methods at every evaluated batch size and delivers up to $3\times$ speedups over the base AR model, including at the largest batch size supported by the device. Notably, our 8B Uno model outperforms the leading open d-LLM, the 26B DiffusionGemma, and the proprietary Mercury 2 across all evaluated benchmarks in agentic tool use, coding, and long-context reasoning. We release code and checkpoints at: this https URL

DIE KERNPUNKTE

  1. 01

    Uno kombiniert autoregressive Next-Token-Vorhersage mit diskreter Diffusion für parallele Token-Generierung.

  2. 02

    Die Ψ-Spec-Sampling-Familie soll bei fixierter Kontextlänge verlustfreie Beschleunigung ermöglichen.

  3. 03

    Die Analyse berichtet bis zu dreifache Geschwindigkeit gegenüber dem Basis-AR-Modell bei gleicher Qualität.

  4. 04

    Auf Agentic-Tool-Use-, Coding- und Reasoning-Benchmarks berichtet Uno bessere Ergebnisse als die genannten Referenzen.

VORGEHEN

  • — Diskrete Diffusion zur parallelen Token-Generierung
  • — Ψ-Spec Sampling
  • — Diffusion Distillation
  • — Separierung autoregressiver und diffuser Gewichte

PRAKTISCHE ANKNÜPFUNGSPUNKTE

  • — Ψ-Spec für latenzkritische Anwendungen mit festen Kontextlängen evaluieren.
  • — Diffusion Distillation als Ergänzung einer bestehenden LLM-Trainingspipeline prüfen.
  • — Latenz, Qualität und Kontextlängen-Skalierung gegen ein autoregressives Basismodell messen.

VON DER EINORDNUNG ZUR UMSETZUNG

Was bedeutet das für Ihr Unternehmen?