LLaDA-V: Large Language Diffusion Models with Visual Instruction Tuning

• 类型：arxiv
• 标识：2505.16933
• 链接：https://arxiv.org/abs/2505.16933
• 主题：engineering, evaluation, llm-infra, multimodal, risk
• 来源文件：
• /inbox/flyp/2026-06-11-LLaDA-V-diffusion-MLLM.md

可复用信息

• 审稿日期: 2026-06-11
• 审稿人: flyP
• arXiv ID: 2505.16933
• 会议: CVPR 2026
• 链接: https://arxiv.org/html/2505.16933v1

---

• 1. 范式突破: 首个纯扩散架构多模态大语言模型（MLLM），完全摆脱自回归生成
• 2. 架构设计: SigLIP vision encoder + MLP connector → LLaDA 扩散语言模型 embedding 空间

写作用途

• 可用于多模态推理、视觉语言模型或长上下文多模态问题定义。
• 可用于系统实现、实验平台或工程约束说明。
• 可用于局限性、风险、失效模式和未来工作。

待补齐

• BibTeX / 正式引用格式
• 方法与实验设置细节
• 与现有工作的差异点
• 是否有代码和数据集