IT之家 4 月 30 日消息，苹果公司携手加州大学圣迭戈分校团队，在新版论文《LaDiR：潜在扩散增强 LLM 文本推理》中提出新框架，让大语言模型（LLM）在回答前并行探索多条推理路径，再用自回归方式输出提高结果质量。

IT之家援引博文介绍，该框架并非新模型，而是叠加在现有模型之上的通用框架，重点改变模型思考问题的方式。LaDiR 结合扩散（Diffusion）和自回归（Autoregression）两种主流生成范式，在推理阶段采用扩散模型，在最终输出阶段使用自回归模型。

这种混合架构有效提升了模型处理复杂问题的能力，既保留了扩散模型并行处理的优势，又延续了自回归模型生成的连贯性。

LaDiR 的独特之处在于其并行推理机制。系统在推理时会同时启动多条独立的推理路径，每条路径从随机噪声开始，通过扩散过程逐步优化成连贯的推理步骤。为防止所有路径过早收敛于同一结论，框架引入了特殊的多样性鼓励机制，确保每条路径能探索不同的解题思路，从而生成多样化的候选答案池。

研究团队在 Meta 的 LLaMA 3.1 8B 和 Qwen3-8B-Base 上部署测试。在数学基准测试中，LaDiR 取得了比现有方法更高的准确率，在面对更困难的分布外任务时表现尤为突出。在代码生成测试 HumanEval 中，该框架生成的代码更加可靠，在难题上的表现明显优于标准微调方法。

在谜题规划任务中，LaDiR 能探索更广泛的解空间，找到正确解的概率高于所有通用基准模型。不过，在单次尝试准确率上，它仍略逊于专门针对特定任务优化的专用模型。这表明通用框架在追求广泛适用性的同时，在极致专精领域仍有提升空间。