并行加速的幻象：扩散语言模型为何在智能体世界中步履维艰
在人工智能迈向自主决策的进程中，智能体（Agent）被视为关键载体。从家庭机器人规划清洁路径，到虚拟助手调用API完成订票，智能体的核心能力依赖于语言模型对复杂任务的分解、推理与执行。长期以来，自回归语言模型虽在逻辑连贯性上表现稳健，却因逐词生成的串行机制导致推理延迟高、响应缓慢，成为制约智能体落地的瓶颈。
正是在这一背景下，扩散语言模型（Diffusion-Based Language Models）崭露头角。这类模型借鉴图像生成领域的扩散思想，通过并行解码一次性生成完整序列，理论上可将生成速度提升数倍。早期研究显示，Llada、Dream等扩散模型在MMLU、GSM8K等通用基准上表现不俗，甚至逼近同规模自回归模型。效率与能力兼得的前景，一度让业界将其视为智能体架构的“下一代解法”。
然而，现实远比理论复杂。一项由南洋理工大学陶大程教授团队主导，联合东南大学与产业界共同完成的系统性评估，彻底颠覆了这一乐观预期。研究团队选取两个主流自回归模型与四个扩散语言模型，在具身智能体（Embodied Agent）和工具调用智能体（Tool-Calling Agent）两大典型场景中展开对比测试。结果令人震惊：扩散模型在任务成功率与执行进度上全面落后，部分任务甚至无法产生任何有效输出。
深入分析揭示，问题根源并非算力或参数量不足，而是模型架构本身带来的深层矛盾。在具身智能任务中，扩散模型频繁陷入重复操作循环，无法根据环境反馈调整策略。例如，在AlfWorld环境中，模型反复尝试打开已开启的门，或在ScienceWorld中持续加热已达到目标温度的液体。这种“认知僵化”暴露了其因果推理能力的缺失——模型难以建立“动作—结果—状态变化”的逻辑链条，更无法进行实时反思与路径修正。
工具调用任务则暴露出另一重困境：输出格式的不可控性。在伯克利函数调用基准（BFCL v3）测试中，扩散模型生成的JSON结构常出现括号缺失、键名错位等问题，即便经过后处理也难以完全修复。尤其在多轮调用场景中，错误累积导致整个工作流崩溃。相比之下，自回归模型虽生成较慢，但每一步输出都严格遵循语法规范，保障了系统调用的可靠性。
这背后是并行解码机制的双刃剑效应。扩散模型通过去噪过程一次性生成完整序列，虽提升了吞吐量，却牺牲了对生成过程的细粒度控制。每一步输出不再依赖前序结果，导致因果链断裂；同时，全局优化目标使模型倾向于生成“平均意义上合理”的文本，而非“精确匹配规范”的指令。这种不确定性在开放生成任务中或许可接受，但在要求严格一致性的智能体工作流中，却成了致命短板。
面对这一困境，研究团队并未简单否定扩散模型的潜力，而是提出DiffuAgent多智能体评估框架，试图拆解其能力边界。该框架将复杂任务模块化，分别测试记忆、自验证、工具选择与格式修正等子功能。结果呈现一幅矛盾图景：在记忆模块中，扩散模型对历史轨迹的总结能力甚至优于自回归模型；在自验证环节，其终止判断更为稳健，不易过早放弃任务。但在工具调用与格式修正等需要精确控制的模块中，表现依然疲软。
这一发现指向一个核心洞见：扩散语言模型并非“全面落后”，而是“能力失衡”。它们在静态信息整合与状态识别等低推理需求任务中展现出优势，却在动态决策、因果链构建与结构化输出等高要求场景中暴露短板。这提示我们，智能体的能力评估不能仅看通用基准分数，而需构建面向实际应用场景的细粒度评测体系。
未来，扩散语言模型若想真正融入智能体生态，必须走出“唯效率论”的误区。训练层面需引入更多因果推理数据与结构化内容，强化模型对逻辑依赖与格式规范的敏感性；解码策略上可探索混合模式，在关键推理步骤切换为自回归生成以确保连贯性；评估体系则应摆脱对MMLU等通用指标的依赖，建立涵盖多轮交互、工具调用与实时反馈的真实场景测试集。
这场关于扩散模型的“现实检验”，本质上是对AI发展路径的一次深刻反思。技术演进从来不是单一维度的竞赛，效率提升若以核心能力退化为代价，终将难以为继。智能体的终极目标不是更快地生成文本，而是更可靠地完成任务。在通往真正自主智能的道路上，我们或许需要重新校准对“进步”的定义。