扩散语言模型(dLM)长期被"多 NFE、慢"三个字卡在产品门外,但 7 月 1 日挂在 arXiv(2607.00714)的 FMLM* 给出了一个意外的理论解释:连续流式语言模型里看似黑盒的"自条件(self-conditioning)",本质上就是把模型推回到"不动点迭代"的方向上不断自我修正。 韩国 KAIST 团队把这层等价关系摊到桌面后,顺势提出二维框架"不动点流(fixed-point flows)":一维是常规的去噪流过程,另一维是把自条件视为不动点迭代的内部循环。论文同时证明这套二维过程仍是合法 flow map,可分别从两个方向蒸馏——迭代方向用"不动点蒸馏",流方向用"flow map 蒸馏"。两路叠加得到的 FMLM* 在 OpenWebText 上单步与少步生成均优于既有自条件模型与代表性 few-step 基线,可砍掉一个数量级以上的 NFE。 值得称道的是两层贡献:其一,把"经验上好用"的自条件从工程技巧升格为可推可微的数学对象,从此社区讨论 dLM 推理时不再只是堆 NFE;其二,few-step 蒸馏第一次有了"双维度"配方——过往 PoF、FMLM+ 等只能在一维硬扛。推理侧的工程意义是直白的:一旦 RD 队伍把这条路径吃下来,dLM 就能真正走进实时语音、长上下文 Agent、低延迟代码补全等延迟敏感场景,与自回归 Transformer 在产品侧正面掰腕。