近期关于非自回归神经机器翻译（Non-Autoregressive Neural Machine Translation, NAT）的研究致力于通过并行解码提升效率，同时不牺牲翻译质量。然而，现有的NAT方法要么在性能上仍逊于Transformer模型，要么需要多次解码过程，导致加速效果受限。为此，我们提出了凝视语言模型（Glancing Language Model, GLM），一种用于学习词元之间依赖关系的机制，以支持单次并行生成模型。基于GLM，我们进一步构建了凝视Transformer（Glancing Transformer, GLAT）用于机器翻译任务。GLAT仅需一次并行解码即可生成高质量翻译，实现8至15倍的加速。在多个WMT语言方向上的实验结果表明，GLAT显著优于此前所有单次解码的非自回归方法，其性能接近于标准Transformer模型，与之之间的BLEU得分差距仅为0.25至0.9分。