扩散多模态大模型(DMLLM)在多模态推理上表现出色,但固定长度生成机制一直拖累推理效率——模型必须把输出 padding 到预设的最大长度,大量无用 [EOS] 位置会被反复去噪,造成严重冗余。Zhao、Sun 和 Yan 提出的 Seer 框架发现一个关键现象:DMLLM 在第一次去噪步骤中,MLP 激活的稀疏度会发生明显跳变,这就是有效语义边界的位置信号。基于此,Seer 用信噪比(SNR)判据在 Step-0 一刀切掉所有冗余后缀,再在后续每个去噪步都跳过这部分计算,实现训练免费的「零再训练」加速。批量服务时,Seer 配合混合执行策略兼顾动态序列长度,在 9 个基准测试中保持性能不退化,部分任务(如 DocVQA 63.52→63.66)反而因为抑制了 [EOS] 位置的噪声泄漏而略有涨点,最高可带来 ~31× 吞吐加速,作为 ACM Multimedia 2026 接收工作提供了一套即插即用的 DMLLM 推理加速方案。