【量子位 2026年2月10日讯】Agent作为大模型落地现实世界的关键载体，其核心竞争力已从“能否答对”转向“能否高效搞定”。华为诺亚方舟实验室联合UCL、南洋理工大学、清北等高校团队，发布业界首个扩散语言模型Agent（DLLM Agent），通过颠覆传统自回归（AR）生成范式，在准确率持平的前提下，实现端到端执行速度平均提升30%以上，部分复杂任务效率更是达到传统AR Agent的8倍，为高效Agent构建开辟全新技术路径。
核心命题破局：生成范式重塑Agent效率
随着Agent在多轮推理、工具调用等复杂场景的应用日益广泛，一个行业忽视的底层问题浮出水面：当框架、工具、数据等条件完全一致时，仅改变语言模型的生成范式，能否系统性优化Agent的规划与行为模式？
华为团队在最新研究《DLLM Agent: See Farther, Run Faster》中给出了肯定答案。传统Agent多基于自回归语言模型（AR）构建，生成过程需按token顺序“边想边写”，易出现路径冗余、回溯频繁等问题；而DLLM Agent采用扩散式生成范式，通过并行化信息处理与全局规划能力，让Agent“看得更远、走得更直”，从根本上解决了AR Agent效率瓶颈。
极致公平实验：唯一变量验证范式优势
为确保实验结果的客观性，研究团队设计了“极端公平”的对照实验：采用同一Agent框架DeepDiver、同一套工具接口与解析规则，使用完全相同的训练任务，统一32K上下文长度、最大交互轮数等核心参数，仅改变底层生成范式——AR Agent基于openpangu 7b-v1，DLLM Agent则采用从该模型续训而来的openpangu diffusion 7b，二者基础推理能力保持一致。
针对扩散范式的特性，团队还优化了训练策略，通过针对性调整的Mask策略和Attention裁剪策略，提升DLLM Agent训练与推理的一致性，确保实验差异仅源于生成范式本身。
实测数据亮眼：速度与路径双优化
实验结果显示，DLLM Agent的优势贯穿多个测试场景，实现“同样终点，更短路径”的高效执行。
在包含110条任务的BrowseComp-zh中文多轮Web浏览基准测试中，DLLM Agent与AR Agent准确率均为15.5%，但工具调用次数从7.5次降至6.7次，交互轮数从14.8轮缩减至13.0轮，端到端延迟下降约30%。数据分布更清晰显示，DLLM Agent调用信息检索工具的次数显著少于AR Agent，任务轨迹更简洁高效。
更令人震撼的是复杂多约束检索案例：面对“动物命名+中国互联网母公司+团队合并+软硬件布局”的四维度查询，AR Agent需经多轮规划、反复验证，生成多个中间文档，耗时1152.68秒；而DLLM Agent通过一次明确任务拆解和极短工具调用轨迹，仅用140.95秒便完成任务，效率提升8.18倍。
不过原生DLLM也存在短板，其结构化工具调用错误率从1.9%升至6.4%，需通过针对性策略优化弥补。
天生强规划：扩散范式的效率密码
DLLM Agent的高效并非仅源于并行解码速度，更核心的优势在于其生成范式带来的强规划能力，具体体现在三大维度：
1. 任务拆解：先全局后细节
DLLM Planner展现出类人思维的两阶段特征：在1-2个扩散步骤内即可并行提取用户问题的全部核心约束，快速构建全局规划框架，再逐步细化逻辑细节；而AR Agent需按顺序逐点梳理，早期判断偏差后需通过多轮重新规划修正，易产生冗余文档。
2. 工具调用：先定向后补参
在工具使用阶段，DLLM Agent先明确调用工具类型，再并行生成参数细节，将整个工具调用视为“动作块”反复优化；AR Agent则遵循“函数名→参数1→参数2”的流水线模式，一旦前端出现错误，无法原地修正，只能依赖下一轮调用补救。
3. 注意力演化：先锁定后收敛
DLLM生成过程中，高不确定性集中在决策早期，一旦确定高层规划，后续细节生成收敛速度极快，注意力机制呈现“全局→局部”的协调模式；而AR Agent更侧重token级局部最优，易陷入路径冗余。
技术启示：扩散范式成Agent设计新维度
研究团队也指出，DLLM Agent并非AR Agent的简单替代，扩散模型对结构化输出更敏感，需通过训推一致的Mask策略与Attention策略（如context-clean corruption和span-aware attention mask）优化性能。这意味着要充分发挥扩散范式优势，需针对Agent交互场景重新对齐接口与训练目标。
此次研究的核心价值，在于证明生成范式本身可深刻塑造Agent行为方式。DLLM Agent展现的“更早全局规划、更少路径冗余、更快任务结束”等特性，让扩散范式从“另一种生成模型”升级为高效Agent的核心设计维度。
从技术落地来看，DLLM Agent的并行化处理与全局规划能力，可广泛应用于智能检索、复杂任务调度、多工具协同等场景，尤其适用于对效率要求较高的企业级应用。华为团队已开放论文与官方网页，为行业提供可复用的技术方案，未来随着结构化输出优化等问题的解决，扩散式生成范式有望成为高效Agent的主流选择，推动大模型在现实场景的规模化落地。
