Le modèle SDAR (Synergistic Diffusion-AutoRegression) a été proposé par le Laboratoire d'intelligence artificielle de Shanghai en octobre 2025, et les résultats de recherche correspondants ont été publiés dans l'article «SDAR : un paradigme synergique de diffusion-autorégression pour la génération de séquences évolutives".

SDAR est un paradigme coopératif de diffusion-autorégression qui établit un nouveau cadre de modélisation du langage. Il combine l'efficacité d'apprentissage de l'autorégression avec les capacités d'inférence parallèle de la diffusion, afin de concilier l'efficacité de l'apprentissage autorégressif et le parallélisme de l'inférence par diffusion. Son principe fondamental repose sur le découplage de deux étapes : un pré-apprentissage complet de l'autorégression pour garantir stabilité et efficacité, suivi d'une étape d'adaptation légère permettant au modèle d'effectuer un décodage par diffusion par blocs. Cette conception préserve les avantages pratiques de l'autorégression — tels que la mise en cache des paires clé-valeur, la génération de séquences de longueur variable et un comportement d'optimisation robuste — tout en exploitant les avantages uniques de la génération parallèle intra-bloc propres à la diffusion.