DiffResearch：扩散语言模型让深度研究提速约六倍

导语

深度研究并不只是让模型回答一个问题。系统通常需要先拆解任务，再检索资料、筛选证据、综合结论，最后生成带引用的报告；如果中途发现信息不足，还要重新规划。多轮调用叠加后，延迟便成为影响交互体验和实际部署的重要因素。

DiffResearch 关注的不是重新设计一套研究流程，而是替换流程背后的语言模型。研究团队构建了一个开放的多智能体深度研究框架，并把扩散语言模型（dLLM）放到规划、检索相关决策、综合和写作等阶段，随后与可比的自回归（AR）模型进行对照。

核心要点

• 控制变量更清晰。 实验固定了智能体框架、检索代码、提示词和评测方法，只切换语言模型骨干，因此重点考察的是解码范式对研究效率和质量的影响。
• 端到端延迟显著下降。 在 100 个 Deep Research Bench 任务上，扩散模型配置的整体速度约为 AR 配置的 6 倍。摘要指出，主要收益来自规划和长文本写作阶段的数量级加速。
• dFast 尝试“边生成边规划”。 传统流程往往要等模型完成一段输出后，系统才开始解析搜索子查询。dFast 读取生成过程中的中间去噪状态，在完整文本完成前提取子查询，使分解环节的中位速度提升 1.99 倍。
• 速度提升没有伴随明显质量损失。 在报告质量评估中，扩散模型保持了与 AR 配置相近的表现；在三种配置的 RACE 比较中，dFast 获得最高综合得分。
• 项目强调开放性。 DiffResearch 以 Apache-2.0 许可证发布，研究者和开发者可以进一步检查框架、复现实验或探索其他扩散模型。

这项工作的意义

DiffResearch 的价值首先在于，它把扩散语言模型的优势从单轮文本生成推进到了多步骤智能体任务。深度研究的瓶颈并非只存在于最终答案生成，规划和长篇报告写作同样会反复消耗时间。若扩散式解码能在这些环节稳定降低延迟，那么它可能改变研究型智能体的系统设计方式。

更值得关注的是 dFast。它利用尚未完成的去噪过程获取中间信息，本质上是在尝试把“生成”和“下一步行动决策”重叠起来，而不是严格串行执行。对于需要频繁调用搜索工具的工作流，这种重叠可能比单纯提高单次生成速度更有系统价值。

不过，现有材料主要报告了固定框架下的基准结果，不能据此推断扩散模型在所有研究任务或所有模型规模上都必然更优。端到端收益还会受到检索服务、工具调用、并发策略和模型能力的影响。下一步值得观察的是：更强的扩散模型能否在保持速度优势的同时扩大质量差距，以及中间去噪状态能否支持更复杂的动态规划。

Hugging Face Daily Papers