野外╳╳ⅹ

电脑版下载

77414
1

野外╳╳ⅹ截图Q8X2R7L1T4J5M9B6W3

内容详情

野外╳╳ⅹ

机械之心编辑部

扩散语言模子（Diffusion Language Models, DLLMs）因其多种潜在的特征而备受关注，如能加速的非自回合并行天生特征，能直接起草编辑的特征，能数据增强的特征。然而，其模子能力往往落伍于一律规模的强力自回归（AR）模子。

克日，华中科技大学和字节跳动联合推出了Stable-DiffCoder。这不但仅是一个新的扩散代码模子，更是一次关于「扩散训练能否提升模子能力上限」的深度探索。

Stable-DiffCoder 在完全复用 Seed-Coder 架构、数据的条件下，通过引入Block Diffusion 一连预训练（CPT）及一系列稳固性优化战略，乐成实现了性能反超。在多个 Code 主流榜单上（如 MBPP，BigCodeBench 等），它不但击败了其 AR 原型，更在 8B 规模下逾越了 Qwen2.5-Coder ，Qwen3，DeepSeek-Coder 等一众强力开源模子，证实晰扩散训练范式自己就是一种强盛的数据增强手段。

论文问题：Stable-DiffCoder: Pushing the Frontier of Code Diffusion Large Language Model论文链接: https://arxiv.org/pdf/2601.15892Github 链接: https://github.com/ByteDance-Seed/Stable-DiffCoder模子链接: https://huggingface.co/collections/ByteDance-Seed/stable-diffcoder

扩散历程难以高效学习样本知识

扩散历程虽然外貌上可以扩充许大都据，可以作为一个数据增强的手段，可是现实上会引入许多噪声甚至过失知识的学习。

例如下面的例子：

将其 mask 成

可以发明关于最后一个 mask_n，其只能在望见 a=1，b=2 的情形下去学习 a+b=7，会形成过失的知识映射。最后充其量也只能学到，a=3，b=4 在 a+b = 这个语境下的共现概率更大一点，不可学到明确的加规则则。

token 推理的知识和流程设计

论文通过建模这个知识的学习来诠释这个征象：

假设 c 是目今可见的样本，凭证真实漫衍通过这些样本在目今位置能够推理出的 token 荟萃为 C (c)，巨细为 K (c)（这里多个 token 同时推理的情景一致，因此只简朴的思量单个 token 推理）。由于使用的真实漫衍来界说的，以是 c 越多越清洁的时间，K (c) 越小。

因此，若是用纯双向的扩散历程，在 mask 比例较大的时间，目今 token 见到的 c 变小，不清洁的概率变大，导致 K (c) 变大，难以映射到清晰的规则。同时其会爆发会爆发种种各样的 c，平均每个 c 的学习量会减小。另外，还要包管训练采样的 c 跟推理用的 c 是一致的，才华更好的使用训练学习的知识。

接下来论文通过在 2.5B 的模子设计实验来进一步阐释并证实这个结论。论文从一个 AR model 初始化，然后训练一段新的知识。论文设计了 3 个训练方法来探索：

（1）AR->BiDLLM: 用 AR 的方法继续训练，在 100k step 的时间 CPT 成双向的 DLLM。

（2）ARDLLM->BiDLLM: 用 AR 的结构，可是使用纯双向的采样模式来训练。然后 100k step CPT 成 BiDLLM。

（3）BiDLLM：使用纯双向的 DLLM 训练。

可以发明，最后效果是（1）>（2）>（3），这也切合前面的理论。不必随机 [MASK] 的（1）计划关于知识有更快的压缩速率，并且转换成 BiDLLM 也坚持着最佳性能，这可以证实在要高效的学好一个 DLLM，可以用 AR 或者小 block size 的 block diffusion 来举行知识压缩。另外有趣的是，在 block=32 时（1）和（2）的体现比（3）差，可是在 100k 之后体现比（3）好。100k 之前可以说明，AR 采样的 c 跟 block size=32 推理历程的 c 不太匹配，可是由于 AR 压缩了大宗有用的知识，稍微 CPT 一下就能适配这种推理历程。同时也可以说明，AR 这种结构的先验，可能更适合 prompt+response 这种从左侧最先推理的历程。

因此我们将训练流程设计为，先用 AR 压缩一遍知识，然后用 AR 退火的前一个 checkpoint 继续 CPT 成小 block 的 block diffusion，来探索 diffusion 历程的数据增强能力。

稳固的 DLLM warmup 战略一连预训练设计

扩散模子的一连预训练通常对超参数的设计（如学习率）很是敏感，容易泛起 grad norm 的异常变高，这也会受到种种训练架构的影响。为了坚持种种训练架构的学习稳固，以及繁杂的调参历程，团队设计了一种适配的 warmup 战略。

DLLM 的 CPT 历程不稳固主要受到下面 3 个缘故原由影响：

（1）Attention 从单向酿成双向

（2）Mask 变多导致使命变得很难

（3）为了对齐 ELBO，会在交织熵前面乘上加权系数。好比只 mask 了一个 token，会等价于只盘算了这个 token 的 loss，会大幅增大这个 token 关于梯度的影响，进而影响 grad norm 和 loss。

由于退火 attention 的方法难以无邪适配 flash attention 等架构，该团队针对（2）（3）来设计 warmup 历程。详细的，在 warmup 阶段将 mask 比例上界逐渐 warmup 到最大值，从而使得一最先使命从易变难。

其次，在 warmup 阶段去掉交织熵中加权的系数，从而让每个 token 对 loss 的影响更平稳：

Block-wise 截断的噪声调理

在使用 block diffusion 时，由于通过 cross attention 拼接了清洁的前缀，可以使得每个 token 都爆发有用的 loss。然而若是使用古板的 noise schedule 会使得有些块不爆发 loss 信号，通过求解积分可以算出 block 不爆发信号的概率如下，这在小 block 时会特殊显着：

因此团队做了两个设计：（1）强制每个块都采样一个 token（2）将 noise 采样下界设置为 1/B，这样可以使得至少期望采样一个 token。同时可以阻止强制采样 1 个 token 之后，原本对应的 t 过小，从而使得交织熵加权过大的问题。

实验效果：多个代码 benchmark 在 8B 左右的模子坚持领先

关于 Base 模子

Stable-DiffCoder-8B-Base 在代码天生，多代码语言天生，代码推理上体现精彩。凌驾一系列 AR 和 diffusion-based 的模子。另外可以发明模子在希罕代码语言上（如 C#，PHP 等，预训练中数据较少），相比于 AR baseline 获得了大幅增强，可以证实 DLLM 的训练历程起到了一定的数据增强的效果。同时在代码推理能力上也获得了增强。

关于 Instruct 模子

Stable-DiffCoder-8B-Instruct 在代码天生，代码编辑，代码推理等使命上做了综合评测，并有着优越的体现。其中在常用的使命（humaneval，mbpp）上大幅凌驾原有 AR baseline 和其他 8B 左右的 DLLM model。在测试集闭源的 MHPP 抵达 qwen32B 的水平，BigCodeBench 上更是凌驾一系列模子并仅次于 DeepSeek236B 的模子。同时在代码编辑 CanItEdit 使命上更是有着惊艳的效果。

总结与展望

Stable-DiffCoder 的宣布，突破了「扩散模子只能做并行加速」的刻板印象。它证实晰：扩散训练范式自己就是一种极佳的表征学习手段。通过合理的课程设计及稳固性优化，扩散模子完全可以在代码明确和天生质量上逾越古板的 AR 模子。

关于未来的大模子演进，Stable-DiffCoder 提醒了一条新路径：也许我们不需要扬弃 AR，而是将 AR 作为高效的知识压缩器，再使用 Diffusion 作为「强化剂」，进一步推高模子的智能上限。