华为联合多所顶尖研究机构发布业界首个扩散语言模型Agent，在完全相同的技术框架下，仅通过改变生成范式就在部分场景实现8倍效率提升。这项研究为Agent技术发展提供了全新思路。
智能速览
DLLM Agent在准确率持平的情况下，执行效率提升30%以上
复杂任务中展现出8倍于传统自回归模型的效率
扩散模型通过两阶段规划展现出更优的任务分解能力
生成范式的改变深刻影响Agent的行为模式
DLLM在结构化输出方面仍需进一步优化
精华内容
这项研究通过严格的对照实验，揭示了生成范式对Agent性能的系统性影响，为构建更高效的AI Agent开辟了新路径。
实验设计
研究团队构建了严格的对照实验平台，采用openpangu 7b-v1作为自回归模型基准，并基于相同数据续训得到openpangu diffusion 7b扩散模型。通过统一的Agent工作流、训练数据和交互预算，确保实验结果的公平性和可比性。
性能表现
在BrowseComp-zh基准测试的110条任务中，DLLM Agent展现出显著优势。数据显示，在准确率持平的情况下，DLLM Agent平均使用更少的工具调用次数和交互轮次，端到端效率提升超过30%。
典型案例
在一个涉及动物命名、中国互联网公司、团队合并等多维度的复杂检索案例中，DLLM Agent展现出8.18倍的速度优势。这种效率差异主要源于其更高质量的规划能力，能够以更直接的路径完成任务。
原理分析
DLLM Planner表现出两阶段特征：首先并行提取关键信息，然后逐步细化任务结构。这种方式避免了AR模型常见的冗余规划问题，在工具调用阶段也展现出更稳定的结构化生成能力。
技术挑战
尽管DLLM Agent表现出色，但研究也发现其在结构化输出方面存在敏感性。通过设计训推一致的Mask策略和Attention策略，可以有效提升DLLM Agent的推理性能。
这项研究证明了生成范式对Agent行为的深远影响，为Agent技术发展提供了新的设计维度。随着扩散模型在Agent场景的持续优化，有望看到更多突破性的效率提升，这或将重新定义AI Agent的未来发展方向。
