同样描述“红杯在梨左边”，自回归把已有前缀作为条件，逐词追加；遮罩恢复让已有词和位置共同约束仍未知的位置。后一种组织为补全缺失内容、联合协调多个位置和修订候选提供了研究空间。图中的词格是组织方式的教学演示，不是LLaDA或Dream的实测输出；能否对任意给定位置编辑，取决于相应训练目标、注意力与采样规则，不能从一张遮罩图推出所有模型都具备这种能力。

能力之后再比较成本：一轮可以处理多个位置，但轮数不是耗时。一边可能复用已算过的前缀，另一边可能反复处理整段或一块回答；必须把同任务的质量与完整计算一起比较。

一次有意义的比较，要把同一任务从开始到取得可用结果的工作算完。回答多长，怎样处理结束标记，是否预留了过长的输出空间；每轮计算多少位置；哪些计算能缓存；批量和硬件是否相同；生成以后要不要反复检查和修订，都会改变完整耗时。交互任务还关心第一次有用反馈要等多久，批量任务则可能更在意单位时间完成多少份合格结果。质量要求变了，成本比较也会失去共同口径。

“少跑几轮，即使偶尔答错一点也算优化吧？”要看任务容忍什么。为图片草稿探索候选，可以接受一些失败；若输出必须符合结构或经过事实检查，省掉的生成时间可能被返工抵消。生成成本降低，只有在结果足够可用时，才可能让反复交互、规划与验证成为现实流程中的常规部件。

LLaDA 的重要意义是检验：从头训练的遮罩扩散语言模型能否形成语言能力，并完成预训练、指令微调与采样这条路线。不能把它简化成“比自回归快”的论文。另一类工作如 Dream 从已有自回归权重继续训练，研究的是怎样利用既有知识改变生成机制。两者都能提供证据，但回答的问题不同：继承的训练不能当成免费，新目标接着训练成功也不等于从零得到同样能力。

较受控的小规模自回归对照，可以更集中地比较训练和生成机制；与更大公开系统的能力对比，还混合了数据、规模、后训练和实现差异。不能用后一种名次直接归因前一种机制。

因此读比较结果时，先确认训练履历与数据条件，再看相同任务上的质量和完整推理成本。最终采用哪种机制，不仅由一张效果图或一次轮数比较决定。

现在接回 N42 留下的问题：生成“把杯子推过去”这句话，或顺畅播放杯子移动的视频，都还没有回答换一种动作会有什么后果。接下来真正改变任务：先预测动作后的状态，执行一个动作，再让环境返回的结果决定下一步。