多模态研究中，扩散范式因其解码优势成为自回归范式的有力替代，但现有扩散视觉语言模型性能受限。DiffusionVL 的出现提供了一个新思路，它能将任何自回归模型高效转换为扩散视觉语言模型，在少量训练数据下实现性能大幅提升，并加快推理速度。
智能速览
DiffusionVL 能将任意自回归模型转换为扩散视觉语言模型。
该方法通过简单微调即可实现范式转换，无需从头训练。
实验显示，DiffusionVL 在多项基准测试中性能显著提升。
引入块解码设计，提升了推理速度并支持长文本生成。
训练数据量不足此前方法5%，但性能反超。
精华内容
如何突破现有扩散视觉语言模型的性能瓶颈？DiffusionVL 的研究给出了答案，它通过巧妙的范式转换，释放了现有自回归模型的巨大潜力。
核心问题与思路
在多模态领域，扩散模型凭借其独特的解码优势，正成为自回归模型的一种有力替代方案。然而，目前基于扩散范式构建的视觉语言模型性能普遍落后于主流的自回归模型。
面对这一现状，一个根本性问题被提出：能否利用现有的、强大的自回归模型来构建性能更优的扩散视觉语言模型？
华中科技大学团队的研究正是围绕这一问题展开，他们提出的 DiffusionVL，旨在探索一条将成熟的自回归模型转换为高效扩散模型的路径。
关键发现与验证
研究团队通过一系列实验得出了两个关键观察。首先，将基于自回归的多模态模型转换为扩散范式被证明是非常有效的，这为模型性能提升打开了新大门。
其次，更令人惊喜的是，直接将自回归语言模型转换为扩散视觉语言模型也是完全可行的。其性能水平可以达到与经过视觉指令微调的LLaVA式模型相当的程度。
这一发现意味着，无需复杂的端到端训练，仅通过简单的微调，就能实现模型范式的迁移。
技术创新与优势
为提升模型的实用性，DiffusionVL 在设计上引入了块解码机制。该机制的核心优势在于支持任意长度的内容生成，解决了传统模型在生成长序列时的限制。
同时，块解码设计还支持 KV 缓存的复用。在推理过程中，这一技术能够显著减少重复计算，从而有效加快了模型的推理速度，使其在实际应用中更具竞争力。
实测性能飞跃
性能的提升是衡量技术价值的关键。大量实验数据表明，DiffusionVL 的表现远超预期。在训练数据量不到先前方法5%的情况下，它依然实现了性能的飞跃。
具体来看，在 MMMU-Pro (vision) 这个极具挑战性的基准测试中，其性能提升了34.4%。在 MME (Cog.) 基准测试中，性能提升幅度更是达到了37.5%。
除了准确性的提升，模型的推理速度也实现了2倍的增长，展现了其在效率和性能上的双重突破。
DiffusionVL 的研究为多模态模型的进化开辟了一条新路径，证明通过范式转换可以高效利用现有模型资源。未来，这种思路是否会成为构建更强视觉语言模型的主流范式？
