从 Qwen3-VL 到 BARD-VL：上智院联手复旦开源多模态扩散模型，解码吞吐最高提升 3 倍！

导语：BARD-VL 通过桥接 AR 与 Diffusion，兼顾多模态性能与推理效率，实测吞吐最高提升 3 倍。

在多模态大模型的下一轮竞争中，“更聪明”已经不够，“更快、更省”同样关键。上海科学智能研究院联合复旦大学、上海创智学院等团队最新开源的 BARD-VL，给出了一个颇具代表性的答案：它不是从零训练一个扩散式视觉语言模型，而是把成熟的自回归（AR）VLM 平滑改造成扩散式（Diffusion）VLM，在尽量不损失能力的前提下，把推理效率显著拉高，实测解码吞吐量最高可提升 3 倍。

这项工作名为 BARD（Bridging Autoregressive and Diffusion），核心思路很直接：既然自回归模型已经在理解能力上很成熟，那就不要推倒重来，而是通过一套“桥接框架”把它迁移到更适合并行解码的扩散范式中。最终得到的 BARD-VL，基于 Qwen3-VL 转换而来，在多项视觉语言评测上不仅没有明显退化，部分指标甚至还能超过原始模型。