跳转至

dQwen3.5: Adapting Hybrid Language Models into Bidirectional Diffusion Language Models

复现级别：L1 核心机制诊断。 本地执行双向混合状态 CUDA kernel；未加载 9B checkpoint 或复现预训练损失曲线。

论文信息

字段 内容
论文链接 dQwen3.5: Adapting Hybrid Language Models into Bidirectional Diffusion Language Models
公司/机构 University of Texas at Austin（按第一作者署名单位）
首次公开日期 2026-09-17（arXiv v1）
原文开源代码 否：截至 2026-09-19 未找到原作者公开实现仓库
原文公开 checkpoint https://huggingface.co/UT-IFML/dQwen3.5-9B-Base
Adapter / 方法 dqwen35
本地复现代码 src/auto_research/foundation_latest_20260919.py

原始论文总结

背景与主要改动

把 Qwen3.5 的注意力/RNN 混合骨干改成双向状态传播，再以掩码去噪目标训练为 diffusion language model。

flowchart LR
  I[公开输入/当前状态] --> M[dqwen35 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/状态更新]

原论文关键图

dQwen3.5: Adapting Hybrid Language Models into Bidirectional Diffusion Language Models 原论文 Figure 3

原论文 Figure 3（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

本地 reference kernel 保留论文决定性的门控、权重、状态转换或调度规则，并把中间量写入指标产物；具体公式与变量对应见实现函数及测试中的不变量断言。

论文离线与线上效果

论文报告的线上、benchmark、训练效率或推理速度只作为原文结果。本地三种子 artifact 只验证核心机制、形状和状态不变量，不与论文数字直接横比。指标见 metrics/mechanism-seeds42-44.json。

CUDA 路径已在真实 NVIDIA A100 上运行；脱敏 receipt 见 docs/gpu-validations/。

复现边界

本地执行双向混合状态 CUDA kernel；未加载 9B checkpoint 或复现预训练损失曲线。