擴散大語言模型（dLLM）在生成質量上表現出色，但其推理效率長期受限於並行解碼策略中的過度保守置信閾值。這些閾值源於聯合機率依賴誤差（Joint Probability Dependence Error, JPDE），該誤差迫使模型在解碼過程中對每個新token要求極高的置信度，以防錯誤累積，從而導致冗餘的去噪迭代和次優的推理速度。針對這一瓶頸，來自研究團隊的最新論文《DC-Leap: Training-Free Acceleration of dLLMs via Draft-Guided Contiguous Leaping Decoding》提出了一種無需訓練的加速框架DC-Leap，旨在在不犧牲生成質量的前提下顯著提升dLLM的推理效率。
DC-Leap的核心創新體現在兩個關鍵機制上：動態連續驗證（Dynamic Contiguous Verification）和草稿引導解碼（Draft-Guided Decoding）。動態連續驗證策略在並行解碼過程中引入嚴格有序的因果約束，透過逐步驗證token之間的依賴關係來有效消除JPDE的影響。與傳統的固定置信閾值不同，這一機制能夠在中等置信度區域進行可靠加速，從而避免了因過度保守導致的效能損失。實驗表明，該策略在保持與基線方法相媲美的生成質量的同時，大幅減少了不必要的去噪迭代次數。
草稿引導解碼機制則進一步提升了加速效果。該機制利用一個草稿模型向前跳躍多個token，為後續生成提供前瞻性上下文。這種方法不僅擴充套件了模型的上下文視窗，還保留了雙向注意力在推理過程中的結構優勢，確保了生成內容的一致性和連貫性。透過將草稿模型與主模型協同工作，DC-Leap能夠在不增加訓練成本的情況下實現高效的並行解碼。
研究團隊在多個標準基準上進行了全面實驗。結果顯示，DC-Leap在長序列生成任務中表現尤為突出。例如，在MBPP資料集上，DC-Leap實現了最高53.19倍的加速；當與KV-Cache技術結合時，加速比進一步提升至105.02倍，且生成質量與基線方法相比幾乎沒有損失。這些資料充分證明了DC-Leap在dLLM加速方面的巨大潛力。
目前，研究者已將DC-Leap的程式碼開源在GitHub上（https://github.com/ffh-wyls/DC-Leap），供社群驗證和進一步開發。這一工作為dLLM的高效推理提供了一種新穎且實用的解決方案，有望推動該模型在資源受限環境中的部署。未來，研究人員計劃將DC-Leap擴充套件到其他型別的擴散模型，並探索其在即時應用中的可能。