DeGao
2025-08-04 21:42:41
ChatDLM、Mercury、Gemini Diffusion、Seed Diffusion Preview，这个赛道已经涌入了四大玩家，显性优势就是：“别管对不对，你就说快不快吧！”
话说，ChatDLM 还研发了一款扩散增强的工具，ControlText，灵感来自ControlNet。
在视觉领域，ControlNet 能在大模型中插入特定“控制层”；同理，ControlText 可在文字扩散的每一步注入“检索标签”或“验证信号”。
值得深思的是，扩散语言模型这玩意儿，不仅是数独高手，还是代码专家，看起来大家都在卷代码方向，DLM也是很能打的。
说到这里，其实Deep Research方向也可以一战，Deep Research作为智能体的高频工具代表，最大的问题就是慢、贵。
所以说，DLM方向还会和DR方向有深度的结合，从这个角度来看，Google 发布基于扩散的TTD-DR，其实在长内容质量方面，也是很能打的。
基于 草稿生成→检索注入→自演化评估→扩散更新 这条流水线，设计为集成式条件扩散，使草稿更新与扩散过程紧密耦合，这应该会出现更原生的DLM-DR。
考虑到DLM的推理速度飞快，可能对Deep Research会产生深刻影响。
传统DR流程的时间分解大概是：
查询规划与检索：30-60秒
多轮推理与综合：180-240秒
结果验证与输出：30-60秒
2800 Tokens/S意味着生成一个5000字的研究报告只需要不到3秒，这完全颠覆了DR的时间瓶颈分布。
直接影响：
从5分钟压缩到30-60秒：推理环节从占比80%降到不足10%
瓶颈转移：检索API调用、网络延迟、数据解析变成新的限制因素
交互模式改变：用户可以实时调整研究方向，而不用等待完整结果
更深层的变化：
研究深度vs广度权衡：极速生成允许多路径并行探索，可以同时生成多个角度的分析
实时协作成为可能：用户可以在DR过程中实时干预和引导
成本结构重构：计算成本大幅下降，但对检索质量和API调用的要求会更高
潜在的新玩法：
流式DR：边检索边生成边展示
多假设并行验证：同时生成多个研究假设并快速验证
交互式深度挖掘：用户实时选择感兴趣的分支进行深入
DLM原生DR可能是真正的"检索增强扩散"，而不是"扩散增强检索"。