知识卡片：蚂蚁开源LLaDA2.2，全球首个大规模Agentic扩散语言模型

英文标题：Ant Group Open-Sources LLaDA2.2 – First Large-Scale Agentic Diffusion Language Model
英文关键词：Agentic AI, Diffusion Language Model, Reinforcement Learning, SWE-bench, Open Source
原始来源：https://m.sohu.com/a/1055942829_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=6（腾讯研究院AI速递 20260729）

一句话结论

蚂蚁团队开源的LLaDA2.2是全球首个大规模Agentic扩散语言模型，通过四种编辑原子操作与L-EBPO强化学习实现生成中途自我修正，在SWE-bench上提升8.6个百分点，吞吐量达同规模自回归模型的1.64倍，将扩散语言模型路线正式推入智能体时代。

事件概述

2026年7月29日，蚂蚁团队宣布开源LLaDA2.2，这是全球首个专为智能体（Agent）设计的大规模扩散语言模型。该模型基于扩散语言模型路线，通过改造训练和推理范式，使其能够像自回归模型一样执行交互式任务，并具备中途自我修正能力。

方法/产品要点

编辑原子操作：引入保留、替换、删除、插入四种基础操作，使模型在生成过程中可以局部修改生成内容，而非一次性生成全部。
L-EBPO强化学习：一种针对扩散模型的长程回滚策略优化，训练模型学会在生成中途主动修正错误。
原生128K上下文：支持长序列输入，无需额外分段或压缩。
基准对比：在17项基准上与同规模自回归模型Ling-2.6-flash表现相近，且在多项交互任务中领先。

主要结果或产业意义

SWE-bench：相比基线模型提升8.6个百分点，表明在软件工程任务上的代码修复和自主编程能力显著增强。
吞吐量：达到Ling-2.6-flash的1.64倍，推理效率更高。
将扩散模型从单纯文本生成扩展到具备代理行为的智能体场景，验证了扩散路线在Agent任务上的可行性。

为什么重要

此前Agent模型几乎全部基于自回归架构（如GPT、Claude），LLaDA2.2证明扩散模型同样可以胜任智能体任务，且拥有更灵活的生成修正能力和更高的推理吞吐。
开源策略降低了Agent研发门槛，使得社区可以基于该模型二次开发专用Agent。
与已有相关卡片（如SIMA 2、Cursor Design Mode）不同，本卡片关注的是底层模型架构转变：从自回归到扩散，为Agent提供新的技术路径。

局限与不确定性

SWE-bench提升8.6个百分点的具体基准版本和测试设置需进一步核实（材料未提供详细比对基线）。
在错误恢复方面仍有短板（材料指出“RL让模型更倾向选用专用工具、提升自我验证等可靠性，但错误恢复仍是短板”），这是当前Agent通用痛点。
与最强闭源自回归模型（如GPT-5.5、Opus 4.8）的全面对比数据未提供，仅与开源同规模模型Ling-2.6-flash对比。
实际Agent部署中的鲁棒性、安全性和延迟表现待更多第三方验证。

可用于图书/PPT/简报的角度

技术路线演进：从扩散文本生成到Agentic扩散模型的跨越，适合作为“AI模型架构创新”案例。
开源生态价值：蚂蚁开源LLaDA2.2对中小企业Agent研发的推动作用。
强化学习在Agent训练中的应用：L-EBPO方法的原理与效果示例。
对比图：LLaDA2.2 vs 同规模自回归模型在吞吐、SWE-bench、上下文长度等维度的对比表。

原始材料

来源：腾讯研究院AI速递 20260729
URL：https://m.sohu.com/a/1055942829_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=6
关键原文摘录：

“蚂蚁团队开源LLaDA2.2，为全球首个大规模Agentic扩散语言模型，将扩散语言模型路线正式推入智能体时代；其引入保留、替换、删除、插入四种编辑原子操作与L-EBPO强化学习，可生成中途自我修正，SWE-bench上提升8.6个百分点，原生支持128K上下文；在17项基准上与同规模自回归模型Ling-2.6-flash表现相近且多项交互任务领先，吞吐达其1.64倍。”