LLaDA-UI：將區塊擴散引入視覺-語言 GUI 代理的新模型
為何重要
Block-wise diffuroin 能透過任意順序生成提升解碼效率，LLaDA-UI 的成功證明瞭此技術路徑在空間繁雜的 GUI 操作上具有商業可行性的同時，還能降低延遲，直接挑戰目前主流 Transformer 架構視覺模型的既有效能 bench mark，改變了 Agent 技術路線的競爭格局。
研究展示如何運用高延遲敏感的區塊擴散大語言模型（dLLM）技術，驅動具備即時感知與操作能力的視覺-語言 GUI 代理。
- LLaDA-UI 採用 16.7B 引數 MoE（混合專家）架構，以 LLaDA2.0-mini-base 作為擴散語言 backbone。
- 模型經由兩階段訓練：先對齊執行原生解析度視覺編碼器的通用多模態預訓練，再針對多樣化資料進行 GUI 代理監督微調。
- 在廣泛採用的視覺導航評測中，LLaDA-UI 勝過 Qwen2.5-VL-7B，並在六個測試專案中佔據四項優勢，超越 Qwen3-VL-8B。