Stable-DiffCoder突破扩散模型，实现代码生成新超越

首页

热心网友

转载

2026-02-09

机器之心编辑部

扩散语言模型（Diffusion Language Models, DLLMs）因其多种潜在的特性而备受关注，如能加速的非自回归并行生成特性，能直接起草编辑的特性，能数据增强的特性。然而，其模型能力往往落后于同等规模的强力自回归（AR）模型。

近日，华中科技大学和字节跳动联合推出了Stable-DiffCoder。这不仅仅是一个新的扩散代码模型，更是一次关于「扩散训练能否提升模型能力上限」的深度探索。

Stable-DiffCoder 在完全复用 Seed-Coder 架构、数据的条件下，通过引入Block Diffusion 持续预训练（CPT）及一系列稳定性优化策略，成功实现了性能反超。在多个 Code 主流榜单上（如 MBPP，BigCodeBench 等），它不仅击败了其 AR 原型，更在 8B 规模下超越了 Qwen2.5-Coder ，Qwen3，DeepSeek-Coder 等一众强力开源模型，证明了扩散训练范式本身就是一种强大的数据增强手段。

论文标题：Stable-DiffCoder: Pushing the Frontier of Code Diffusion Large Language Model论文链接: https://arxiv.org/pdf/2601.15892Github 链接: https://github.com/ByteDance-Seed/Stable-DiffCoder模型链接: https://huggingface.co/collections/ByteDance-Seed/stable-diffcoder

扩散过程难以高效学习样本知识

扩散过程虽然表面上可以扩充很多数据，可以作为一个数据增强的手段，但是实际上会引入很多噪声甚至错误知识的学习。

例如下面的例子：

将其 mask 成

可以发现对于最后一个 mask_n，其只能在看见 a=1，b=2 的情况下去学习 a+b=7，会形成错误的知识映射。最后充其量也只能学到，a=3，b=4 在 a+b = 这个语境下的共现概率更大一点，不能学到明确的加法规则。

token 推理的知识和流程设计

论文通过建模这个知识的学习来解释这个现象：

假设 c 是当前可见的样本，根据真实分布通过这些样本在当前位置能够推理出的 token 集合为 C (c)，大小为 K (c)（这里多个 token 同时推理的情景一致，因此只简单的考虑单个 token 推理）。由于使用的真实分布来定义的，所以 c 越多越干净的时候，K (c) 越小。

因此，如果用纯双向的扩散过程，在 mask 比例较大的时候，当前 token 见到的 c 变小，不干净的概率变大，导致 K (c) 变大，难以映射到清晰的规则。同时其会产生会产生各种各样的 c，平均每个 c 的学习量会减小。另外，还要保证训练采样的 c 跟推理用的 c 是一致的，才能更好的使用训练学习的知识。

接下来论文通过在 2.5B 的模型设计实验来进一步阐释并证明这个结论。论文从一个 AR model 初始化，然后训练一段新的知识。论文设计了 3 个训练方式来探索：

（1）AR->BiDLLM: 用 AR 的方式继续训练，在 100k step 的时候 CPT 成双向的 DLLM。

（2）ARDLLM->BiDLLM: 用 AR 的结构，但是使用纯双向的采样模式来训练。然后 100k step CPT 成 BiDLLM。

（3）BiDLLM：使用纯双向的 DLLM 训练。

可以发现，最后效果是（1）>（2）>（3），这也符合前面的理论。不用随机 [MASK] 的（1）方案对于知识有更快的压缩速度，并且转换成 BiDLLM 也保持着最佳性能，这可以证明在要高效的学好一个 DLLM，可以用 AR 或者小 block size 的 block diffusion 来进行知识压缩。另外有趣的是，在 block=32 时（1）和（2）的表现比（3）差，但是在 100k 之后表现比（3）好。100k 之前可以说明，AR 采样的 c 跟 block size=32 推理过程的 c 不太匹配，但是由于 AR 压缩了大量有用的知识，稍微 CPT 一下就能适配这种推理过程。同时也可以说明，AR 这种结构的先验，可能更适合 prompt+response 这种从左侧开始推理的过程。

因此我们将训练流程设计为，先用 AR 压缩一遍知识，然后用 AR 退火的前一个 checkpoint 继续 CPT 成小 block 的 block diffusion，来探索 diffusion 过程的数据增强能力。

稳定的 DLLM warmup 策略持续预训练设计

扩散模型的持续预训练通常对超参数的设计（如学习率）非常敏感，容易出现 grad norm 的异常变高，这也会受到各种训练架构的影响。为了保持各种训练架构的学习稳定，以及繁杂的调参过程，团队设计了一种适配的 warmup 策略。

DLLM 的 CPT 过程不稳定主要受到下面 3 个原因影响：

（1）Attention 从单向变成双向

（2）Mask 变多导致任务变得很难

（3）为了对齐 ELBO，会在交叉熵前面乘上加权系数。比如只 mask 了一个 token，会等价于只计算了这个 token 的 loss，会大幅增大这个 token 对于梯度的影响，进而影响 grad norm 和 loss。

由于退火 attention 的方式难以灵活适配 flash attention 等架构，该团队针对（2）（3）来设计 warmup 过程。具体的，在 warmup 阶段将 mask 比例上界逐渐 warmup 到最大值，从而使得一开始任务从易变难。

其次，在 warmup 阶段去掉交叉熵中加权的系数，从而让每个 token 对 loss 的影响更平稳：

Block-wise 截断的噪声调度

在使用 block diffusion 时，由于通过 cross attention 拼接了干净的前缀，可以使得每个 token 都产生有用的 loss。然而如果使用传统的 noise schedule 会使得有些块不产生 loss 信号，通过求解积分可以算出 block 不产生信号的概率如下，这在小 block 时会特别明显：

因此团队做了两个设计：（1）强制每个块都采样一个 token（2）将 noise 采样下界设置为 1/B，这样可以使得至少期望采样一个 token。同时可以避免强制采样 1 个 token 之后，原本对应的 t 过小，从而使得交叉熵加权过大的问题。

实验结果：多个代码 benchmark 在 8B 左右的模型保持领先

对于 Base 模型

Stable-DiffCoder-8B-Base 在代码生成，多代码语言生成，代码推理上表现出色。超过一系列 AR 和 diffusion-based 的模型。另外可以发现模型在稀疏代码语言上（如 C#，PHP 等，预训练中数据较少），相比于 AR baseline 得到了大幅增强，可以证明 DLLM 的训练过程起到了一定的数据增强的效果。同时在代码推理能力上也得到了增强。

对于 Instruct 模型

Stable-DiffCoder-8B-Instruct 在代码生成，代码编辑，代码推理等任务上做了综合评测，并有着优越的表现。其中在常用的任务（humaneval，mbpp）上大幅超过原有 AR baseline 和其他 8B 左右的 DLLM model。在测试集闭源的 MHPP 达到 qwen32B 的水平，BigCodeBench 上更是超过一系列模型并仅次于 DeepSeek236B 的模型。同时在代码编辑 CanItEdit 任务上更是有着惊艳的效果。