4月30日，苹果公司与加州大学圣迭戈分校合作，在最新论文《LaDiR：潜在扩散增强LLM文本推理》中提出了一种新的框架，旨在提升大语言模型（LLM）在文本推理任务中的表现。该框架名为LaDiR，它通过并行探索多条推理路径，并在最终输出时采用自回归方式，以提高结果的质量。

LaDiR框架并非一个全新的模型，而是一个可以叠加在现有模型之上的通用框架，它改变了模型处理问题的方式。该框架结合了扩散模型和自回归模型两种主流的生成范式，利用扩散模型在推理阶段进行并行处理，而在最终输出阶段则使用自回归模型以保持输出的连贯性。LaDiR的独特之处在于其并行推理机制，系统在推理时会同时启动多条独立的推理路径，每条路径从随机噪声开始，通过扩散过程逐步优化成连贯的推理步骤。此外，框架还引入了多样性鼓励机制，以确保每条路径能探索不同的解题思路，生成多样化的候选答案池。

研究团队在Meta的LLaMA3.18B和Qwen3-8B-Base模型上部署测试LaDiR框架，并在数学基准测试中取得了比现有方法更高的准确率，尤其在面对更困难的分布外任务时表现突出。在代码生成测试HumanEval中，LaDiR生成的代码更加可靠，难题上的表现明显优于标准微调方法。在谜题规划任务中，LaDiR能探索更广泛的解空间，找到正确解的概率高于所有通用基准模型。尽管如此，LaDiR在单次尝试准确率上仍略逊于专门针对特定任务优化的专用模型，显示出通用框架在追求广泛适用性的同时，在极致专精领域仍有提升空间。