一水 发自 凹非寺
量子位 | 公众号 QbitAI
大语言模型真的只能走“预测下一个token”的路子吗？
继何恺明之后，字节也给出了同样的回答：NO。
并且，两边都不约而同地盯上了同一个方向——在连续语义空间中建模语言。
更关键的是，字节这次直接开源开到底，论文、代码、模型权重、中文博客通通释出。
帮大家快速回忆一下。就在上周，何恺明团队推出首个扩散语言模型ELF——
而字节这次带来的Cola DLM（Continuous Latent Diffusion Language Model），则进一步佐证了这一趋势。
他们同样选择跳出离散token的束缚，把生成过程交给连续空间，结果是：
在~2B参数、约2000 EFLOPs的严格对照实验下，Cola DLM展现出了比自回归模型和主流离散DLM更稳定的scaling趋势。
然而，正当你以为这不过是又一个“把图像扩散模型搬进语言领域”的故事时，字节却告诉你：错了。
Cola DLM的motivation从来不是diffusion。
Cola DLM的motivation从来不是diffusion。
啊？？不是为了diffusion，结果做了个diffusion language model？
字节：Token≠语义，表征才是真正的主角
事实上，真正的主角藏在这句话的后半段：
Cola DLM的motivation从来不是diffusion，而是representation（表征）。
Cola DLM的motivation从来不是diffusion，而是representation（表征）。
在字节看来，真正重要的是表征，Token这种tokenizer工程和历史演化的副产物，仅仅是表征被实现出来的一种形式而已。他们还大胆给出了一个暴论：
Token是人类语言系统的表层载体，不是语义本身。
Token是人类语言系统的表层载体，不是语义本身。
简单看一个例子你就懂了，比如我们用不同的话表达同一个意思：
我今天很开心。
今天我心情很好。
今天过得挺愉快。
我今天很开心。
今天我心情很好。
今天过得挺愉快。
token差了一大堆，但语义还是那一个。
放在以前，主流大模型通常会把这些不同说法，当成几套不同的表达分别去学——明明背后是同一个语义，模型偏偏要在token这个表层挨个对齐。
所以字节的判断是，如果模型内部存在一种更稳定、更抽象的“语义状态”，那这些本质相同、只是说法不同的句子，其实没必要被分别记忆，而是可以在内部收敛到相近的表示。因此本质上而言：
Cola DLM的diffusion不是在恢复token，而是在transport一个latent prior。
Cola DLM的diffusion不是在恢复token，而是在transport一个latent prior。
怎么“transport一个latent prior”？字节选择直接把语义和实现分层。
具体方法论指路论文3.1.1，这里我们简单翻译过来就是：
Cola DLM的生成模型，本质上只有两部分。一个latent prior，负责生成“潜在语义”； 一个decoder，负责把这些语义翻译成具体文字。 看上去就像是把“生成一句话”拆成了两件相对独立的事。
而且关键在于，整个diffusion/flow matching过程，其实都发生在latent空间里，而不是token空间里。
就是说，Cola DLM干的不是把一堆脏token慢慢去噪成干净token，而是先在连续语义空间里，把一团随机语义慢慢组织成有意义的潜在表达，最后再统一翻译成文字。
所以在它的生成路径里，其实根本没有token的逐步生成过程，token只在最后一步才出现，前面学的都是“语义怎么形成”。
这也是Cola DLM和很多扩散语言模型最大的不同。
很多DLM，本质上还是围绕token在做“修修补补”，比如恢复被mask的token、逐步还原离散文本。但Cola DLM直接把diffusion从“文字层”搬到了“语义层”，diffusion不再负责“生成token”，而是负责“组织语义”。在字节看来：
这不是包装上的差异，而是改变了diffusion在模型里到底干什么。
这不是包装上的差异，而是改变了diffusion在模型里到底干什么。
方法论我们知道了，那Cola DLM真正“和传统连续DLM拉开差距”的地方到底在哪？
答案，就藏在几个很工程化但很关键的设计选择里。
关键1：latent不是简单的embedding替代品
首先是latent是怎么来的。很多人一听“连续语言模型”，第一反应是——不就是在word embedding上做扩散嘛。
但Cola DLM偏偏没这么做，它专门搭了一套Text VAE：
Encoder：把离散文本压缩成连续latent（相当于提取“语义指纹”）；
Decoder：把latent再还原回文本。
Encoder：把离散文本压缩成连续latent（相当于提取“语义指纹”）；
Decoder：把latent再还原回文本。
差别在哪？token embedding还是和token一一绑定的，每个token一个向量，本质上还是token序列。
而Cola DLM要的latent，是一个可以连续变化、可被概率建模的随机变量。
这样一来，模型处理的对象就不再是“下一个token”，而是“整段文本对应的语义状态”。
关键2：prior不是普通的diffusion
Cola DLM用的不是大家熟悉的“加噪→去噪”那种diffusion，而是一个叫block-causal DiT+Flow Matching的组合。
组合看不懂不要紧，知道这个组合做的事就行了：
从一个简单分布（比如高斯）出发；
在连续时间里学习一个vector field（向量场）；
把这个分布“运输”成真实数据对应的latent分布。
从一个简单分布（比如高斯）出发；
在连续时间里学习一个vector field（向量场）；
把这个分布“运输”成真实数据对应的latent分布。
说白了就是，不靠反复去噪，而是直接学一条“最优路径”，把噪声平滑地引向有意义的语义。
更妙的是，它在这个语义路径上还引入了block结构——
块内并行搞定局部语义的快速组织，块间按因果顺序保证整体逻辑不乱。
整体相当于在语义层重新搭了一套生成框架，“局部快、整体顺”，两样都没丢。
关键3：训练时角色分工明确
连续扩散语言模型有一个常见问题：
语义表示latent很容易被diffusion带偏，最后退化成一个“穿了马甲的token”，即表面是连续向量，但骨子里还是在记词，根本没形成真正的语义抽象。
所以Cola DLM的做法是——把两个任务彻底分开。
Encoder/Decoder：只管“怎么把文字变成语义表示，再变回来”；
Prior（DiT+FM）：只管“怎么从噪声生成语义表示”。
Encoder/Decoder：只管“怎么把文字变成语义表示，再变回来”；
Prior（DiT+FM）：只管“怎么从噪声生成语义表示”。
而且训练时，Encoder在diffusion阶段基本“冻结不动”。
为什么不让它也跟着学？因为一旦让Encoder去适应diffusion，它就会为了降低loss而偷懒，把语义表示悄悄滑向“好预测的token形式”，最后又回到老路上。
字节想要的是一个稳定的语义空间，而不是一个被任务污染的中介层。所以他们反其道而行之，让prior去适应语义空间，而不是让语义空间讨好prior。
此外，他们还加了一个语义约束（BERT-style mask loss），防止encoder在重建时“语义坍塌”。
实验证明，没有这个约束，latent确实会为了降loss而漂走。
关键4：把训练目标拆成了三块可以分别诊断的子任务
如果说前面三点更像工程上的巧思，而这第四点就是Cola DLM在理论上的硬功夫。
字节把训练目标拆成了三个可以单独看、单独诊断的子任务：
重建能力：给了latent，Decoder能不能把原文还原出来？
压缩能力：这个语义表示到底压缩了多少原文信息？
拟合能力：Prior能不能学出latent的真实分布？
重建能力：给了latent，Decoder能不能把原文还原出来？
压缩能力：这个语义表示到底压缩了多少原文信息？
拟合能力：Prior能不能学出latent的真实分布？
这样拆的好处在于，传统自回归把所有东西都糊在一个“预测下一个词”的损失函数里。
生成效果不好时，你根本不知道是哪里出了问题，不知道是理解错了、记忆不够，还是生成路径歪了。
而Cola DLM把账算得清清楚楚，哪里不行分别看指标就知道。
这也它能跑出稳定scaling趋势的底层原因——
不是瞎蒙，而是每一个环节都能单独诊断、单独优化。
最后鉴于篇幅原因，这里我们直接放上字节Cola DLM研究的成果省流版（详细内容指路博客）：
同一个追问，两种答案
而说到这里，我们很难不把字节Cola DLM与何恺明团队的ELF放在一起看。
很有意思的是，两份工作几乎同期，都在挑战一个被默认了二十年的假设——
语言模型必须建立在离散token上。
为什么这个假设开始受到质疑？
一方面，自回归大模型走到今天，“预测下一个token”这条路的瓶颈越来越明显——推理慢、长程依赖弱、训练目标和真实生成质量之间存在结构性gap。
另一方面，扩散模型在图像、视频生成上的成功，让大家开始反思：离散token真的是语言智能必须依附的载体吗？还是只是历史选择的一种习惯？
这两年扩散语言模型的探索（LLaDA、Dream-7B、MDLM等）已经把这个问题拉到了台面上，但大多数工作还停留在“离散派”——还是在token上做扩散。
直到ELF和Cola DLM出现，两边几乎同时给出了同一个答案——不必绑在token上。
只不过具体解法上有所不同。
我也去对比了两项研究之前的区别，用图片展示如下：
简单说，ELF像一个人从头干到尾，在原长度embedding空间里反复琢磨，到最后一步才落笔成字。
Cola DLM则像两个分工部门，语义部先讨论“要表达什么”，文字部再负责“具体怎么写”。
两条路线方法上虽然不同，但底层关切完全一致——
让建模发生在最适合语言本质的表示空间里，不要被“token=语义”这个默认框架限定。
本质上而言，它们其实是同一个问题的两种回答。
而这也代表着一种趋势——是时候重新认识连续扩散语言模型了。
过去两年，扩散语言模型的舞台几乎一直由“离散派”占据。但ELF和Cola DLM这一前一后两次出手，让“连续路线”第一次以一种严肃、可被对比、可被复现的姿态站到了台前。
更值得注意的是，Cola DLM还顺手指出了一件更大的事——长期以来“统一多模态”卡住的核心障碍之一，就是文本是离散的，而图像、视频、音频天然偏连续。
如果想让它们真正进入同一个“latent世界”，必须有一个把文本映射到连续语义latent的接口。
而Cola DLM恰好扮演了这样的角色。而这，或许才是字节这次出手的真正野心——
不是在扩散语言模型的赛道里再添一名选手，而是为语言模型造一座桥，把它接入连续多模态的世界。
当然，Cola DLM团队自己也很克制，他们在博客最后写道：
Cola DLM只是这条路上的一次早期尝试，但这条路本身值得继续走下去。
Cola DLM只是这条路上的一次早期尝试，但这条路本身值得继续走下去。
最后按照惯例介绍一下这项研究的作者。
整个团队由字节跳动Seed团队主导，集结了来自港大、人大、北大、北邮、澳国立多所高校的研究者，覆盖语言建模、扩散模型、视频生成等多个方向。
第一署名Hongcan Guo（郭泓灿），目前是北邮人工智能学院大四本科生，从2025年6月起在字节Seed实习。
研究兴趣集中在生成模型与推理模型的数学基础和学习动力学，Cola DLM的博客正是出自他手。
通讯作者Yan Zeng（曾妍）则是字节Seed内部的“大牛级”人物，她是字节爆款视频生成模型Seedance系列的研发负责人。有资料显示，这位西安交大校友2021年以校招生身份加入字节后，仅用了五年就从算法工程师晋升至4-2职级。
这次Cola DLM里很多“分层潜变量+diffusion prior”的思路，与视频生成领域长期采用的latent diffusion路线存在明显相通之处。
团队里还有一位很有意思的“跨界选手”——Shen Nie。他是人大高瓴AI学院李崇轩组的代表性研究者，同时也是离散扩散语言模型LLaDA的第一作者。而LLaDA恰恰也是Cola DLM在论文里重点比较的一条离散扩散路线。
某种意义上，这件事本身就挺有意思：一位离散扩散路线的代表人物，也参与到了连续latent路线的研究里。某种程度上也说明，Cola DLM这次真正想讨论的，已经不只是“扩散怎么生成文本”，而是更底层的：
文本智能到底应该建立在什么样的状态空间之上？
文本智能到底应该建立在什么样的状态空间之上？
其他几位核心作者同样来头不小。
Hengshuang Zhao是香港大学计算机系助理教授，曾在MIT CSAIL、牛津Torr Vision Group做博士后，长期活跃于计算机视觉与生成建模领域。
Qiushan Guo则来自港大MMLab羅平组，同时也是字节Seedream图像生成模型的重要研发成员之一。
其他署名作者还有：Qinyu Zhao、Yian Zhao、Rui Zhu、Feng Wang、Tao Yang、Guoqiang Wei。
实际上，如果把整份作者名单放在一起看，其实会发现一个非常有意思的现象——
字节这次做语言模型，某种程度上几乎是把“视频/视觉生成”那套核心思路整体带了进来：
做latent diffusion的、做视频生成的、做图像prior的、做离散DLM的，最后一起重新思考“文本到底该怎么建模”。
这或许也是为什么Cola DLM整体看上去，会和传统语言模型路线呈现出非常不同的气质。
因为它从一开始关注的，就不只是“如何更好地生成文本”，而是在尝试把语言重新放回连续语义空间里，变成一种能够与图像、视频、音频自然对齐的模态。
恒正网提示：文章来自网络，不代表本站观点。
