扩散不死，BERT永生！Karpathy凌晨反思：自回归时代该终结了?

谷歌遗珠与IBM预言：一文点醒Karpathy，扩散模型或成LLM下一步。

Karpathy难以抵挡的诱惑！

苹果的前员工、德克萨斯大学奥斯汀分校（UT Austin）的计算机科学研究生Nathan Barry，得出一个惊人的结论：

BERT本质上，只是文本扩散中的一步！

基于「强化版BERT」RoBERTa，他成功地把表示学习算法改造为生成算法：

看完帖子后，OpenAI创始员工、特斯拉前AI总监Karpathy陷入了沉思：

人类的思维或许更偏向自回归一些——一步步推进的感觉。但在我们的思维潜空间里，也很难说就不存在某种更像扩散的机制。

说不定在这两者之间，其实可以继续插值、或者更进一步泛化。

这部分生成逻辑在LLM架构中，依然是一个相对「可变」的部分。

不过，Karpathy最近忙于为Eureka Labs的《LLM 101n》课程开发终级实践项目「100美元带回家的ChatGPT」，所以他只能「忍痛割爱」：

现在我必须克制住用扩散模型训练nanochat的冲动，不能偏离主线去搞支线任务了。

顺便提一句，当天不久，他又被DeepSeek-OCR挑起了新念头。

谷歌的遗珠

当第一次读到语言扩散模型论文时，Nathan Barry惊讶地发现它们的训练目标只是掩码语言建模（masked  language model，MLM）的一种推广。

而自从2018年BERT以来，大家一直早已对掩码语言建模习以为常。

预印本：https://arxiv.org/abs/1810.04805

他脑海里立刻冒出一个想法：我们能不能把类似BERT的模型微调一下，让它也能做文本生成？

出于好奇，他做了个快速的验证实验。随后，他发现其实早就有人做过了——DiffusionBERT基本就是这个想法，不过做得更严谨。

值得一提的是，大约3年前，DiffusionBERT由国内高校的研究者提出，100%国产！

预印本链接：https://arxiv.org/abs/2211.15029

最初，扩散模型在图像生成领域一炮而红。

在图像生成中，扩散模型会先对图像逐步添加高斯噪声（前向过程），然后训练神经网络对其进行迭代去噪（反向过程）。

将这一思路应用于文本领域，意味着我们需要找到方法对文本添加噪声并在之后分阶段消除。

最简单的实现方式是基于掩码的噪声处理流程：

• 在前向过程中，初始文本未被破坏。在每一步迭代中，根据预设的调度计划（从0%到100%），随机将一定比例的词语替换为特殊的<MASK>标记

• 在反向（去噪）过程中，训练模型根据每个<MASK>预测正确的原始词语。这与掩码语言模型(MLM)类似，但采用了动态掩码率

为了解决以往方法存在的问题，BERT提出了掩码语言建模（Masked LM）。

具体做法是：对每条训练输入序列随机遮盖15%的词语，仅对这些被遮盖的词进行预测。用图示语言来表达就是：

换句话说，BERT的MLM训练目标，其实就可以看作是文本扩散的一种特例，只不过它用的是固定的掩码率。

而只要我们引入一个从0到1的动态掩码率范围，就可以把BERT的训练目标自然扩展为一个完整的文本生成过程。

扩展无处不在，自监督模型变生成模型

2019年发布的RoBERTa模型，是在原始BERT基础上的一次强化升级。

预印本：https://arxiv.org/abs/1907.11692

它调整了超参数、扩大了训练语料，并简化了训练目标——

只保留MLM（掩码语言建模），去掉了「下一句预测」任务。

而Nathan Barry使用HuggingFace的开源库，加载RoBERTa的预训练权重、分词器以及Trainer类，对模型进行微调，数据集选用 WikiText。核心代码（完整代码见原文）大致如下：

在当前实现中，设定了10个扩散步骤，每个训练批次随机采样一个遮盖比例p，从 [1.0, 0.9, ..., 0.1] 中选取，然后对该比例的Token进行掩码处理。这个逻辑封装在自定义的diffusion_collator 中：

在推理时，从一个长度为256的输入向量开始：前16个位置是提示词（prompt）的Token ID，后面240个全是 <MASK>。然后，逐步减少掩码比例，每一步都做预测、采样、重新掩码。流程如下：

对应的简化代码如下：

在H200显卡上，经过30分钟训练后，模型基于如下提示词生成了如下文本：

...dominion over Europe beginning about the early 19th. There conflict took place on the island, between British and Irish Ireland. British officials  administered British Ireland, a Celtic empire under the control of the Irish  nationalist authorities, defined as a dominion of Britain. As the newly Fortic  states acquired independent and powerful status, many former English colonies played their part in this new, British @-@ controlled colonial system. Following this period the Non @-@ Parliamentaryist Party won its influence in Britain in  1890, led by the support of settlers from the Irish colonies. Looking inwards,  Sinclair, Lewis questioned, and debated the need to describe " The New Britain "

提示词为：Following their victory in the French and Indian War, Britain began to assert greater...

生成的文本看起来出奇地连贯！其中大部分「怪异之处」， Nathan Barry归因于WikiText数据集本身的格式化问题——比如标点符号前后带空格，连字符「-」被处理成了@-@等。

数据显示，GPT-2在输出连贯性和生成速度方面略胜一筹（约9秒对比13秒）。

但RoBERTa Diffusion未经优化，如此效果，已令人惊喜。

这次的概念验证无疑非常成功——若能结合AR-Diffusion、跳跃步扩散等新兴技术并深度优化，生成质量与推理速度都将获得飞跃提升。

扩散模型归来

通过实验证明，以RoBERTa为代表的掩码语言模型（原本专为填空任务设计），将变比率掩码重构为离散扩散过程，完全可以转型为全功能生成引擎。

通过渐进式植入<MASK>标记污染文本，并训练模型在递增的掩码强度下迭代去噪，标准MLM目标成功地转化为渐进式文本生成流程。

值得注意的是，即使不调整模型架构，仅对训练目标进行微调后的RoBERTa就能生成视觉连贯的文本。

这有力印证了一个重要洞见：本质上，BERT系模型就是在固定掩码率上训练的文本扩散模型。

Karpathy点赞了Nathan Barry的短文：

帖子虽短，却解释了文本（离散）扩散模型可以有多简单。

 ……  

许多扩散模型的论文看起来颇为晦涩，但若抛开数学形式的外壳，最终得到的往往是简洁的基础算法。

例如在连续空间中更接近流匹配的方法，或是像这样的离散空间方案，其本质还是经典的Transformer架构，只不过采用了双向注意力机制——

根据噪声调度计划，在「token画布」上迭代重采样和重复掩码处理所有token，直至最终步生成完整样本。

自回归生成的过程，就像是在Token画布上不断.append(token)  ，每次只参考左侧已有的上下文；  

而扩散式生成，则是在整个Token画布上反复.setitem(idx, token)  ，每次都依赖双向注意力进行刷新更新。

从整个大语言模型（LLM）技术栈的角度来看，生成领域仍大有可为，存在着优化与创新的空间。

今年更早的时候，在2025 I/O大会上，谷歌DeepMind发布了一项实验性的扩展语言模型——Gemini Diffusion。

在速度上，扩散语言模型优势明显。以至于有网友预测：文本扩展模型就是每个人视而不见的下一步，因为训练成本太高了！

而「蓝色巨人」IBM的作家也断言，随着下一代AI浮现，扩散模型要挑战GPT。

参考资料：

https://nathan.rs/posts/roberta-diffusion/

https://x.com/karpathy/status/1980347971935068380

https://x.com/yacinelearning/status/1980351871413022901

文章来自于“新智元”，作者 “KingHZ”。