跳转至

Residual Context Diffusion (RCD)：Apple 残差上下文扩散语言模型

Ch01.1512 Residual Context Diffusion (RCD)：Apple 残差上下文扩散语言模型

📊 Level ⭐⭐⭐ | 9.3KB | entities/residual-context-diffusion-apple-ml-2026-07.md

Residual Context Diffusion (RCD)：Apple 残差上下文扩散语言模型

核心洞察：Residual Context Diffusion (RCD) 提出了一种新颖的模块，将扩散语言模型(dLLM)中丢弃的低置信度 token 表示转化为上下文残差并重新注入到去噪步骤中，在 AIME 等挑战性任务上近乎将基准精度翻倍，同时减少 4-5 倍去噪步数。

背景

扩散大语言模型(dLLM)已成为纯自回归语言模型的有前途替代方案，因为它们可以并行解码多个 token。传统自回归模型逐个 token 顺序生成，生成速度受限于序列长度；而 dLLM 通过迭代去噪过程同时解码多个 token，在推理吞吐量上具有先天优势。

然而，最先进的块级 dLLM 依赖于"remasking"机制——只解码最自信的 token，丢弃其余的——这实际上浪费了计算量。 每次去噪步骤中，模型为所有位置生成预测，但只保留置信度最高的 token，其余位置的表示被完全丢弃。这种策略虽然确保了生成质量，但每次迭代中有大量已计算的表示被抛弃，计算效率远未达到最优。

核心方法：RCD

Residual Context Diffusion (RCD) 的核心洞察在于：被丢弃的 token 表示仍然保留了对后续解码迭代有用的上下文信息。RCD 模块将这些丢弃的 token 表示转换为上下文残差(contextual residuals)，并在下一个去噪步骤中重新注入到模型中。

关键技术特点： - 解耦的两阶段训练流水线：第一阶段训练基础 dLLM，第二阶段冻结主干、仅训练 RCD 模块。这种设计绕过了端到端反向传播的内存瓶颈，使得 RCD 模块可以在不重训整个模型的情况下集成到现有 dLLM 中。 - 低数据需求：仅需约 10 亿 token 即可将标准 dLLM 高效转换为 RCD 范式，远低于从头训练一个 dLLM 所需的数据量。 - 计算开销极小：RCD 模块本身是一个轻量级转换网络，在前向传播中增加的额外 FLOPs 可忽略不计，却能带来显著的精度提升。

RCD 与传统 dLLM 的关键区别

传统 dLLM 的 remasking 机制可以看作"丢弃→重预测"的循环：每次迭代丢弃低置信度 token 的表示，让模型在下一轮重新预测。RCD 将其转变为"压缩→注入"的循环：将丢弃的表示压缩为上下文残差，作为附加条件信号注入下一轮去噪过程。这种转变使得模型可以在不改变主干架构的情况下，利用到更多之前计算的信息。

实验结果

RCD 在多个基准测试上验证了其有效性：

  • 长 CoT 推理 (SDAR)：在需要长链推理的数学和逻辑任务上，RCD 增强的 dLLM 显著超越标准 dLLM 基线，精度提升 5-10 个百分点。
  • 短 CoT 指令跟随 (LLaDA)：在标准指令跟随任务上，RCD 同样一致提升性能，证明了其通用性。
  • AIME 最具挑战性任务：RCD 近乎将基线精度翻倍，展示了在处理高难度推理问题时的强大潜力。
  • 推理效率：在相同精度水平下，RCD 所需的去噪步数减少 4-5 倍，这意味着在推理时可以以更少的迭代次数达到同等质量，直接转化为延迟和计算成本的降低。

研究团队来自 UC Berkeley 和 Apple 联合实验室，由 Yuezhou Hu、Harman Singh、Monishwaran Maheswaran 等共同完成。

深度分析

3.1 Token 残差再利用：从"丢弃"到"压缩"的范式转变

RCD 最核心的贡献在于重新定义了 dLLM 中"无用"表示的价值。在传统 remasking 范式中，低置信度 token 的表示被视为无用信息被完全丢弃；RCD 证明这些表示中编码了丰富的上下文语义，只是置信度不够高而未被选中。 这一点与残差网络(ResNet)的思想有异曲同工之妙——不是学习全新的映射，而是学习对已有表示的修正量（残差）。RCD 将这种残差学习思想从空间域扩展到扩散过程的时间域：每个去噪步骤的"残差"是当前模型预测与最终目标之间的差距信号。

3.2 两阶段解耦训练的设计哲学

RCD 的两阶段训练策略不仅仅是工程上的便利选择，更反映了深度学习中的一个重要原则：表征学习与残差学习的分离。第一阶段让模型学到高质量的 dLLM 基础能力，第二阶段在冻结表征的基础上学习如何利用残差信号。 这种解耦设计使得 RCD 可以作为一种"插件"应用到任何现有 dLLM 上，而不需要破坏已经学好的知识。这对于实际部署具有重要意义——组织可以在现有 dLLM 基础上增量式引入 RCD，而不需要承担全模型重新训练的风险和成本。

3.3 扩散语言模型推理效率的实用化路径

RCD 解决了 dLLM 在实际部署中的核心痛点：推理效率与精度的权衡。dLLM 的理论优势（并行解码）在实际中因 remasking 机制导致需要大量去噪步骤而被削弱。RCD 通过减少 4-5 倍去噪步数，使得 dLLM 的并行解码优势真正得以兑现。 这一进展可能加速 dLLM 从研究实验走向生产部署，特别是在延迟敏感的应用场景中（如实时对话、代码补全）。

3.4 与自回归模型推理优化的对比视角

自回归模型的推理优化（如 speculative decoding、KV cache 优化）追求的是降低单 token 生成延迟，而 dLLM + RCD 的优化路径是减少生成所需的迭代轮数。 两种路径并不冲突——RCD 改进的是 dLLM 的质量-速度帕累托前沿，使得 dLLM 在同等质量下更快，或在同等速度下更好。这为未来的混合推理架构（根据任务特点动态选择自回归或扩散路径）提供了更丰富的选择空间。

实践启示

  1. 增量集成策略：RCD 的两阶段训练表明，核心模型能力与后处理增强模块可以解耦训练。在 Agent 系统的架构设计中，同样可以将"基础理解能力"和"上下文增强能力"分离——先有稳定的基座，再增量叠加优化模块，降低系统级风险。

  2. 残差思维的价值：不仅是 dLLM，很多 AI 系统中被"丢弃"的中间表示可能仍有价值。在 Agent 对话历史管理、工具调用结果缓存等场景中，"被丢弃"的信息可能包含对后续决策有用的上下文信号。设计系统时应考虑中间表示的复用策略而非简单丢弃。

  3. 解耦训练降低集成门槛：RCD 模块不需要修改主干模型即可集成。这一原则适用于 Agent 系统设计——将增强功能（记忆管理、工具编排、安全过滤）设计为可插拔模块而非侵入式修改，使系统可以灵活组合不同能力层。

  4. 质量与速度的联合优化：RCD 证明减少 4-5 倍计算步骤的同时还能提升质量——这种"双赢"在 AI 系统中并不常见。在设计 Agent 的推理链路时，应持续审视是否存在"丢弃了有用信息"的低效环节，往往能找到类似的优化空间。

  5. 关注 token 层面的效率指标：RCD 的研究视角提示我们，不仅要关注模型层面的准确率，还要关注"每 token 计算效率"——即单位计算量下获得的信息增益。推理优化 领域的指标设计可以借鉴这一思路。

相关实体

→ 原文存档