一个扩散模型，正在做自回归模型最擅长的事——计划、调用工具、自我纠错、在长程多轮交互中独立完成任务。
这不是科幻，而是2026年7月25日刚刚发生的真实事件。蚂蚁集团旗下 inclusionAI 团队发布 LLaDA 2.2-flash，一个面向 Agent 场景的扩散语言模型，MoE 架构，103B 总参数量，权重和代码全部开源。在 SWE-bench Verified 上拿到 49.28%，在 τ²-Bench 上以 592.80 分碾压 Ling-2.6-flash 的 334.90 分，fast mode 更是冲到 705.30 分。
但真正让这场发布值得被记住的，不是这些数字本身。而是它做了一件此前所有扩散模型都做不到的事：在生成过程中自我修正，像一个程序员反复修改自己的代码。
扩散模型的「Agent 时刻」
扩散语言模型从来不是新概念。2025年11月，蚂蚁 inclusionAI 团队发布 LLaDA 2.0，首次将扩散模型参数量级推到 100B，推理速度 535 tokens/s，是对标自回归模型的 2.1 倍。2026年2月，LLaDA 2.1 引入 Token Editing 进一步提速。但业界一直有一个心照不宣的共识：扩散模型适合做生成，但做不了 Agent。
原因很直观。Agent 需要在长程交互中做出正确决策，而扩散模型一次生成所有 token 的机制，意味着早期步骤的每一个错误都会像多米诺骨牌一样，传导到后续所有决策中。自回归模型虽然慢，但每一步都基于最新的正确上下文，天然更稳健。
直到 LLaDA 2.2 出现。
这两天，Elvis（@omarsar0，DAIR.AI 创始人，前 Meta AI 研究员）在 X 上连发数条推文拆解 LLaDA 2.2 的技术细节，引发社区热议。他的核心观点很明确：这是一款为 Agent 工作而生的扩散 LLM，从规划、工具调用到长程轨迹的自我纠错，它都做到了，而且保留了扩散模型天生的速度优势。
从「填空」到「编辑」
理解 LLaDA 2.2 的突破，首先要理解扩散模型的工作原理。
传统扩散语言模型的生成方式是「填空」：从一个几乎全被遮罩的随机序列开始，逐步预测并填充最确定的 token，经过多轮迭代后输出完整文本。这种方式的优势是并行：一次预测多个 token，速度远快于逐 token 生成的自回归模型。但代价是，一旦某一步填错了，错误就固化在序列中，后续步骤只能在这个错误的基础上继续。
LLaDA 2.2 从根本上改变了这个范式。它引入了 Levenshtein Editing，包含四种基本编辑操作：KEEP（保留）、SUBSTITUTE（替换）、DELETE（删除）、INSERT（插入）。模型通过最长公共子序列对齐进行训练，学会在生成过程中主动删除错误的片段、插入缺失的上下文。
这听起来不像一个语言模型，更像一个程序员在写代码：先写一个草稿，然后删掉不合适的部分，插入新的逻辑，替换表达不准确的变量名。它不再是被动地「预测」下一个词，而是主动地「编辑」已有的输出。
错误传播的终结者
在 Agent 场景中，最致命的不是模型能力不够，而是错误被固化在上下文中无法修复。早期的一个错误决策会成为后续所有推理的「硬约束」，每一步都在错误的基础上继续推导，最终导致整个任务失败。
LLaDA 2.2 的强化学习阶段直接针对这个问题设计。L-EBPO（Levenshtein Edit Block-level Policy Optimization）将编辑操作集成到块级策略优化中。模型从环境反馈中学习何时应该切除有缺陷的片段，何时应该填补空白。这从根本上阻断了错误在轨迹层面的传播。
用一句话概括：不是让错误不出现，而是让错误可以被修正。这比任何「提高准确率」的方案都更接近 Agent 的真实需求。因为在真实世界中，Agent 永远不可能完美，但能自我修正的 Agent 比永远正确的 Agent 更有用。
数字说话
理论之外，LLaDA 2.2-flash 的实际表现经得起推敲。
在 SWE-bench Verified 上，LLaDA 2.2-flash 拿到 49.28%。这个数字放到 2026 年 7 月的坐标系里看：GPT-4.1 是 54.6%，o3-mini 是 49.3%，Claude 3.5 Sonnet 是 49.0%。一个扩散模型在软件工程任务上达到与 o3-mini 几乎持平、略高于 Claude 3.5 Sonnet 的水平，而且是首次尝试 Agent 任务，这本身就是信号。
在 τ²-Bench 上，差距更加触目惊心。τ²-Bench 由 Sierra Research 开发，模拟真实的多轮客服对话和工具调用场景。LLaDA 2.2-flash 拿到 592.80 分，而参考模型 Ling-2.6-flash 只有 334.90 分。在 fast mode 下，LLaDA 2.2-flash 更是冲到 705.30 分，超过对手两倍以上。
速度方面，LLaDA 2.2-flash 的 BF16 吞吐量平均是 Ling-2.6-flash 的 1.64 倍。FP8 量化在此基础上再提升 18.6%。考虑到 Agent 任务通常需要大量推理调用，这种速度优势在规模化部署时会被放大。
架构上，LLaDA 2.2-flash 支持原生 128K 上下文，通过渐进式训练从 8K 逐步扩展到 128K。MoE 架构确保每次推理只激活部分参数，Block Routing 策略进一步削减了不必要的计算开销。这意味着它既快又省，在 Agent 需要频繁调用的场景下，成本优势显著。
谁在推动这件事
LLaDA 2.2 来自蚂蚁集团的 inclusionAI 团队。这是蚂蚁面向 AGI 的自主研发团队，此前已经发布了 LLaDA 2.0（100B 扩散模型）、Ling 系列等多个模型。值得注意的是，inclusionAI 选择全部开源：Apache-2.0 协议，模型权重和代码完全开放，托管在 Hugging Face 和 GitHub 上。
在闭源模型主导 Agent 生态的今天，这为开发者社区提供了一个重要的开放选项。在 Hugging Face 上，LLaDA 2.2-flash 的模型权重已经收获大量关注，支持 Transformers、vLLM、SGLang 等多种推理框架。
这意味着什么
扩散模型的「Agent 无用论」被彻底推翻。LLaDA 2.2 证明，通过合适的编辑和纠错机制，扩散模型不仅可以做 Agent，还能在速度上碾压自回归模型的同时，在 Agent 基准上取得竞争性成绩。Levenshtein Editing 可能成为扩散模型迈向 Agent 的标准范式。
蚂蚁集团在 AI 基础模型上的投入正在加速兑现。从 LLaDA 2.0 到 2.2，不到一年时间迭代了三代。如果用一句话概括蚂蚁的路线：不做最大的模型，做最快的扩散模型。这条路线正在被验证。
自回归架构的「垄断」正在被打破。自 GPT 以来，几乎所有主流大语言模型都采用自回归架构，从左到右逐 token 预测。扩散模型提供了另一种可能：更快、可并行、可编辑、可纠错。如果未来有更多证据表明扩散模型在复杂 Agent 任务上能与自回归模型匹敌，整个大模型的技术路线图可能需要重新绘制。
当然，LLaDA 2.2 并非完美答案。SWE-bench Verified 49.28% 距离一线闭源模型还有明显差距。Agent 场景中，模型在等待工具响应时大部分时间处于空闲状态，扩散模型的并行解码优势在这部分被稀释。社区也有观点指出，真正的 Agent 瓶颈往往不在 LLM 推理步骤，而在工具调用边界的等待时间。
但如果说 LLaDA 2.2 给出了什么确定的信号，那就是：扩散模型从「可以做生成」到「可以做 Agent」的拐点，已经到来。
自回归统治了十年。但编辑，或许比预测更接近思考的本质。
快报