苹果公司与加州大学圣迭戈分校的科研团队联合发布了一项创新成果——名为LaDiR的新型推理框架，该研究以论文形式呈现于学术领域。这项技术并非构建全新大语言模型，而是为现有模型设计了一套可叠加的通用推理架构，通过改变模型处理问题的思维模式，显著提升了复杂任务的解决能力。
LaDiR的核心创新在于融合了扩散模型与自回归模型的优势。在推理阶段，系统会同时启动多条独立路径，每条路径从随机噪声出发，通过扩散过程逐步生成连贯的推理步骤。为避免所有路径过早趋同，研究团队设计了多样性鼓励机制，确保每条路径探索不同的解题方向，最终形成包含多种可能性的候选答案池。在输出阶段，系统则采用自回归模型，从候选答案中筛选并生成最终结果，既保证了生成内容的连贯性，又保留了扩散模型的并行处理效率。
实验数据显示，该框架在多个基准测试中表现优异。在数学问题求解中，基于LaDiR的模型在LLaMA 3.1 8B和Qwen3-8B-Base上的准确率显著高于传统方法，尤其在处理分布外任务时优势更为明显。在代码生成测试Humaneval中，其生成的代码可靠性更强，面对复杂难题时超越了标准微调模型。在谜题规划任务中，该框架能够探索更广泛的解空间，找到正确解的概率超过所有通用基准模型，尽管在单次尝试准确率上仍略逊于针对特定任务优化的专用模型。
研究团队指出，LaDiR的通用性设计使其能够适配多种基础模型，但其在极端专业化领域的表现仍有提升空间。这一成果为提升大语言模型的推理能力提供了新思路，未来或可进一步优化路径探索机制与答案筛选策略，以平衡广泛适用性与任务专精性。
