速度提升，能力却暴跌？扩散模型做智能体的残酷真相

背景：扩散语言模型因其并行解码机制在生成速度上具有优势，被视为提升智能体效率的潜在方案，但其在智能体任务上的表现尚未得到系统评估。研究目的：南洋理工大学等团队通过对比自回归与扩散语言模型在具身智能体和工具调用任务上的表现，旨在揭示扩散模型在智能体工作流中的实际能力与局限。结论：研究发现扩散语言模型在智能体任务中存在系统性缺陷，包括因果推理能力不足、格式输出混乱等问题，尽管在静态任务如记忆模块中表现良好，但并行解码机制削弱了动态推理和精确输出能力，需从训练、解码和评估层面进行改进。