парадигм Левинштейна с четырьмя атомарными операциями (KEEP — сохранить, SUBSTITUTE — заменить, DELETE — удалить, INSERT — вставить) для динамического изменения сгенерированного контента. Кроме того, в ней применяется L-EBPO (оптимизация политики на основе нижней границы доказательства редактирования Левинштейна) для трактовки многошаговых редакционных решений как задач обучения с подкреплением с учётом обратной связи от среды. Для работы с длинными контекстами модель использует BlockRouting, который выбирает фиксированный пул экспертов на уровне блоков до маршрутизации на уровне токенов, снижая трафик HBM (высокопроизводительной памяти) и затраты на связь. На семи агентных бенчмарках LLaDA 2.2-flash набрала 53,83 балла против 55,74 у Ling-2.6-flash, показав сопоставимую производительность, при этом достигнув в 1,64 раза более высокой средней пропускной способности в BF16 (16-битной плавающей запятой с меньшей точностью) и дополнительного улучшения на 18,6% при квантовании до FP8 (8-битной плавающей запятой). Это доказывает, что диффузионные модели могут конкурировать с авторегрессионными в агентных задачах и будут сосуществовать в будущих агентных системах.