NVIDIA开源Fast-dLLM！解析分块KV缓存与置信度感知并行解码技术

Talk主页：http://qingkeai.online/
文章原文：https://mp.weixin.qq.com/s/P0PIAMo1GVYH4mdWdIde_Q

Fast-dLLM 是NVIDIA联合香港大学、MIT等机构推出的扩散大语言模型推理加速方案。

论文：Fast-dLLM: Training-free Acceleration of Diffusion LLM by Enabling KV Cache and Parallel Decoding
链接：http://arxiv.org/abs/2505.22618
代码：https://github.com/NVlabs/Fast-dLLM
项目主页：https://nvlabs.github.io/Fast-dLLM

其通过分块KV缓存与置信度感知并行解码技术，在无需重新训练模型的前提下，实现了推理速度的突破性提升——在LLaDA模型1024 token长文本生成任务中，端到端推理速度狂飙27.6倍，整体耗时从266秒压缩至12秒，且主流基准测试准确率损失控制在2%以内。

该方案兼具零训练成本与多模型兼容性，为扩散模型在长文本生成、实时交互等场景的落地提供了高效可行的优化路径。

港大&NV&MIT开源Fast-dLLM：无需重新训练模型，直接提升扩散语言模型的推理效率

6月24日晚8点，青稞Talk 第57期，香港大学MMLab博士生吴成岳，将直播分享《Fast-dLLM：无需重训的扩散大语言模型推理加速》。

分享嘉宾

吴成岳，香港大学MMLab博士生，导师为罗平老师和王文平老师，研究方向为多模态大模型，发表高水平学术论文十余篇，一作发表包括ICML，ACL，CVPR等业内顶级会议，2项发明专利申请中，开源项目GitHub获stars 18k+，谷歌学术引用723次，获得国家奖学金，香港政府奖学金，香港大学校长奖学金以及黑龙江省优秀毕业生，哈尔滨工业大学优秀毕业论文等荣誉，担任TPAMI，CVPR等多个顶刊顶会审稿人。

主题提纲

Fast-dLLM：无需重训的扩散大语言模型推理加速

1、扩散大语言模型推理难点
2、Fast-dLLM 核心技术解析：
- 分块 KV 缓存
- 置信度感知并行解码
3、在 LLaDA、Dream 模型上的性能验证及应用实践

直播时间

6月24日20:00 - 21:00