Fast-dLLM++：基于Fréchet距离分析的扩散语言模型加速解码方法

ICML 2026 SPIGM Workshop收录研究提出Fast-dLLM++，通过Fréchet轮廓解码技术显著加速扩散语言模型推理，为高效生成式AI提供新思路。该研究由kasakh在github发布（项目链接：https://github.com/kasakh/fast-dllm-plus-page，发布时间2026-06-08）。

扩散模型在图像生成领域取得突破，但逐步去噪的迭代过程导致推理延迟；扩展到语言模型（dLLMs）时效率瓶颈更突出。传统自回归模型有顺序生成局限，扩散模型虽支持并行但需大量迭代。在此背景下，如何在不牺牲质量的前提下加速dLLMs推理成为焦点，Fast-dLLM++应运而生。

Fast-dLLM++提出"Fréchet轮廓解码"技术：1. Fréchet距离是衡量曲线相似度的度量，将扩散去噪视为隐空间轨迹，通过分析轨迹Fréchet距离识别必要步骤；2. 轮廓解码机制先建模扩散过程提取理想路径轮廓，推理时动态根据当前状态与目标轮廓的偏离决定计算强度，集中资源于需精细处理区域。

Fast-dLLM++实现优化包括：1. 轨迹分析与预测：离线通过参考采样建立扩散轨迹统计模型，为在线推理提供路线图；2. 自适应步长调度：基于Fréchet分析，曲率大区域（信息密度高）用小步长，曲率小区域增大步长或跳过冗余计算；3. 质量监控模块：持续评估生成质量，确保加速后输出与完整采样一致。

Fast-dLLM++在标准基准测试中展现显著性能提升，通常实现2-10倍推理速度提升且保持生成质量；该方法被ICML 2026 SPIGM Workshop接收，学术价值获认可。

Fast-dLLM++的应用价值：1. 降低部署成本：减少计算步骤，提升实时应用（对话、代码补全、翻译）体验，降低服务成本；2. 拓展场景：进入边缘设备、移动应用等延迟敏感领域；3. 推动技术融合：跨学科结合几何分析、统计学习与高效计算，为后续研究提供方法论启示。

Fast-dLLM++需权衡速度、质量与通用性；未来可探索：1. 为特定场景自动调整加速策略；2. 与量化、剪枝、知识蒸馏等压缩技术结合，进一步提升效率。

Fast-dLLM++通过Fréchet距离分析和轮廓解码为dLLMs推理加速提供新路径，兼具理论创新与实际价值。此类高效推理技术将推动大模型普惠化。感兴趣者可访问项目页面获取论文与代码。