By Unbug 蚂蚁集团 InclusionAI 的论文《LLaDA2.0-Uni: Unifying Multimodal Understanding and Generation with Diffusion Large Language Model》提出用离散扩散语言模型（dLLM）统一多模态理解与生成：在 MMStar 等理解基准上取得 64.1 分、与 Qwen2.5-VL 等专用视觉模型同级，图像生成与编辑也由同一个模型完成。
传统 AI 系统存在分裂大脑问题：理解用 VLM（视觉语言模型），生成用扩散模型，需要拼接多个专用模型，能力无法互补。LLaDA2.0-Uni 的核心思路是把图像压缩为离散语义 token，让同一个 MoE（混合专家）扩散模型在单一掩码预测目标下同时处理文本和视觉 token，从而共享知识、简化部署。
统一架构的三个组件
SigLIP-VQ 语义 tokenizer：以预训练 SigLIP2 ViT 为特征提取器，把连续图像映射为词表大小 16,384 的离散语义 token，并支持动态分辨率。与重建式 VQ-VAE 不同，它直接在理解任务上训练，保留的语义信息能支撑复杂视觉推理；理解与生成共享同一套 token，消除了异构编码器带来的建模鸿沟与优化目标分裂。
16B MoE 扩散主干：基于 LLaDA2.0-mini 的 16B 总参数 MoE 架构，扩展词表接入视觉 token，采用 block-level masked diffusion 同时处理两种模态。全双向往意注意力会损害文本性能，因此用分块注意力在并行解码速度与质量之间取得平衡；尺寸标记 token 让模型无需改架构即可处理任意分辨率。
6B 扩散解码器：SigLIP-VQ 是纯语义表示，需要专门的解码器把 token 重建为高清图。解码器基于 6B 文生图模型构建，以生成 token 为唯一条件输入并做 2 倍超分，经蒸馏实现 8 步无 CFG 推理。
推理加速与三阶段训练
推理端提出免训练的 SPRINT 加速框架：稀疏前缀保持按模态剪枝前缀 KV 缓存，用键范数重要性与预测置信度给每个位置打分，决定去留；非均匀解锁用置信度自适应替代固定去噪调度，提前确定高确定度 token。两者合计最高 1.6 倍加速，质量损失可忽略。
训练分三阶段渐进：视觉-语言对齐（100B token）、多任务预训练（210B token，覆盖 OCR、grounding、视频、图文交错数据）、监督微调（80B token，上下文扩到 16K），避免多任务联合训练的目标冲突。
性能表现
理解侧，LLaDA2.0-Uni 在通用 VQA 与复杂推理上显著超越同类扩散统一模型：MMStar 64.1 对 Lumina-DiMOO 的 58.0，MMMU 50.1 对 44.9，OCR 与文档理解场景中基线更是大幅落后；综合表现与 Qwen2.5-VL 等专用 VLM 打平。生成侧，基于 Z-Image-Base 的解码器经蒸馏后，8 步 Turbo 版本在五个生成基准上保持与 50 步标准版接近的质量，推理成本大幅下降。
统一离散表示还带来原生能力：交错生成与推理——文本与图像在同一条序列里边想边画、边画边想，这是拼接式分裂系统做不到的；单参考与多参考编辑也在同一框架内完成。与站内扩散语言模型跨架构蒸馏一文对照，可看到 dLLM 路线正同时向“更大统一”和“更小部署”两个方向推进，蒸馏后的统一模型进入消费级设备只是时间问题。
一分钟读论文：《PRIME：迭代记忆进化的主动推理》