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
  • 主分类：multimodal
  • 形态：method
  • 被引：130
  • 被引来源：Semantic Scholar
  • S2被引：130
  • OpenAlex被引：0
  • 影响力被引：23
  • TLDR：LLaDA-V is introduced, a purely diffusion-based Multimodal Large Language Model (MLLM) that integrates visual instruction tuning with masked diffusion models, representing a departure from the autoregressive paradigms dominant in current multimodal approaches.
  • OpenAlex ID：W4416453495
  • OpenAlex DOI：10.48550/arxiv.2505.16933
  • DOI：10.48550/arxiv.2505.16933
  • DOI来源：OpenAlex
  • 开放获取：green
  • 开放获取链接：https://arxiv.org/pdf/2505.16933
  • OpenAlex更新：2026-08-23
  • 标题中文：LLaDA-V：基于视觉指令微调的大语言扩散模型
  • TLDR中文：本文提出 LLaDA-V，一种完全基于扩散范式的多模态大语言模型 (MLLM)，将视觉指令微调与 masked diffusion 模型相结合，脱离了当前多模态方法中主流的自回归范式。
  • 待LLM分类：否
  • 来源文件：
  • /inbox/flyp/2026-06-11-LLaDA-V-diffusion-MLLM.md
  • [S2 enrich]
  • [OpenAlex backfill]

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
    1. 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