扩散语言模型具备实现快速并行生成的潜力，而自回归（AR）模型由于其因果结构天然契合语言建模，通常在生成质量上表现更优。这引出一个根本性问题：我们能否实现两者的协同优势——在保持高吞吐量和更高GPU利用率的同时，达到自回归模型的生成质量？现有方法难以有效平衡这两方面：要么采用较弱的模型进行串行草稿（推测解码），以保留自回归结构，但导致草稿效率较低；要么在扩散模型中引入某种从左到右（类似AR）的解码逻辑，这不仅仍存在质量下降问题，也牺牲了其本应具备的并行化潜力。为此，我们提出TiDAR，一种序列级混合架构：在扩散模型中进行 token 草稿（“思考”），再通过自回归方式采样最终输出（“说话”）——整个过程仅需一次前向传播，借助专门设计的结构化注意力掩码实现。该设计充分利用了GPU的空闲计算密度，在草稿生成与结果验证能力之间实现了强大平衡。此外，TiDAR被设计为可独立部署的推理友好型模型（开销低）。我们在15亿（1.5B）和80亿（8B）参数规模下，对TiDAR在生成任务和似然任务上进行了全面评估，对比了自回归模型、推测解码方法以及多种扩散模型变体。得益于并行化草稿与采样机制，以及对精确KV缓存的支持，TiDAR在实际吞吐量上超越了推测解码方法，在效率与质量上均优于Dream、Llada等扩散模型。尤为突出的是，TiDAR是首个在保持高达4.71倍至5.91倍每秒生成token数的同时，成功弥合与自回归模型之间质量差距的架构。