扩散语言模型（DLM）以并行解码获得速度优势，但训练成本一直是工程化的硬伤。arXiv:2606.06712（v1, 2026-06-08）从「ARLM 如何平滑过渡到 DLM」的工程视角切入，提出一种自蒸馏 + 在线策略的转换范式，把 DLM 预训练从「重训一遍」拉回「ARLM 后训练」的范畴。

核心思路

传统做法是直接拿 ARLM 改双向注意力，再套 DLM 目标重新预训练。作者指出这会触发两类分布漂移：目标漂移（从 next-token prediction 切到随机掩码预测会丢失世界知识）和轨迹漂移（训练走随机掩码，推理走基于置信度的解码，二者不一致）。

OPDLM 用 self-On-Policy Distillation 解决：学生（带双向注意力的 ARLM）自己生成轨迹，原始冻结的 ARLM 作为教师在同一条轨迹上提供目标 logits。学生被直接拉到「推理时实际会走」的分布上。

效果

论文报告在多种任务上，训练 token 数量减少 15× 到 7000× 仍保持强性能。这把「想要 DLM 的推理速度」与「不想再付一次 DLM 预训练的钱」这两个长期矛盾的需求，合并成了一个标准的 ARLM 后训练流程。

行业意义

对已持有 ARLM 权重的小型实验室来说，这等于获得了一张低成本 DLM 入场券，意味着 DLM 推理速度的红海竞争会进一步压缩 ARLM 的工程化空间。但该方法仍受限于教师模型本身的上限——想要 DLM 质量真正反超 ARLM，仍然需要正面对齐或训练范式的创新。